في عالم يتزايد فيه الاعتماد على الذكاء الاصطناعي (AI) في المجالات الطبية، يبقى تصنيف أصوات التنفس أحد التحديات الكبرى بسبب قيود البيانات المتاحة. تكمن الصعوبة في أن مجموعات البيانات الحالية غالبًا ما تكون صغيرة وغير متنوعة، مما يحد من قدرة النماذج على التعميم. للتغلب على هذه العقبة، تقدم دراسة جديدة منهجية مبتكرة تعتمد على التعلم الجماعي (Meta-Ensemble Learning) تقوم بتعزيز تنوع توقعات النماذج من خلال تدريب نماذج أساس متعددة على تقسيمات بيانات متنوعة.

تتضمن المنهجية الجديدة تدريب نماذج الأساس باستخدام مجموعة بيانات ICBHI، حيث يتم استخدام إعدادين لتقسيم البيانات: تقسيم ثابت 80-20% وتقسيم عبر خمسة معايير (Five-Fold Cross-Validation). تشتمل البيانات على إعدادات مختلفة لـ 'مستوى المريض' و 'مستوى العينة'، مما يؤدي إلى تعزيز تنوع تنبؤات النماذج الأساسية. بفضل هذه الاستراتيجية، نجح النظام في تحسين العمومية العامة للنموذج الإنجازي (Meta-Model) مما أدى إلى تحقيق أداء مثير للإعجاب بنسبة 66.49%.

بالإضافة إلى ذلك، يظهر النظام نتائج أفضل على مجموعتين من البيانات خارج نطاق التوزيع (Out-of-Distribution Datasets)، مما يدل على إمكانية تطبيقه الفعلي في البيانات السريرية الحقيقية. هذه النتائج تعكس أهمية التطوير المستمر في النماذج الحوسبية لتعزيز دقتها وفاعليتها في المجال الطبي.

في ضوء هذه النتائج، هل تعتقدون أن هذه الابتكارات قادرة على تغيير مستقبل الطب السريري؟ شاركونا في التعليقات.