في مجال الذكاء الاصطناعي، تواجه العديد من التطبيقات تحديات كبيرة عند التعامل مع البيانات الطبية. قدمت دراسة جديدة إطاراً شاملاً لتقييم الشبكات العصبية العميقة في اكتشاف الأورام اللمفاوية من صور PET/CT، حيث تركز على الفجوات الحرجة التي غالباً ما يتم التغاضي عنها في الأدبيات الحالية. باستخدام تعلم الآلة، تم تطبيق تقنيات تقسيم الأورام اللمفاوية، لكن القليل من الدراسات تناولت اختبار النماذج ضمن توزيع غير معروف، مما يثير التساؤلات حول القدرة على تعميم هذه النماذج عبر ظروف تصوير متنوعة وشرائح مرضى مختلفة.

تسلط الدراسة الضوء على أهمية مقارنة أداء النماذج مع خبراء التصنيف البشري، بما في ذلك تحليل تباين الملاحظين. بينما تركز معظم المناهج على دقة التقسيم العامة، فإنها غالباً ما تتجاهل المقاييس الهامة المتعلقة بالأورام التي تعتبر ضرورية لاكتشاف الأورام بدقة وتحديد شدة المرض.

للتصدي لهذه القضايا، يقترح الباحثون إطاراً ذا صلة سريرياً لتقييم الشبكات العميقة للتقسيم. من خلال تقييم أداء أربعة نماذج عميقة (ResUNet و SegResNet و DynUNet و SwinUNETR) على 611 حالة من بيانات متعددة المعاهد، تغطي أنواع الأورام اللمفاوية المختلفة وخصائص الأورام، يُعتمد تقييم جديد يعتمد على معايير الكشف ودقة التقدير.

تشير النتائج إلى أن النماذج تؤدي بشكل أفضل على الأورام الكبيرة ذات النشاط الأيضي العالي. كما يتم مقارنة أداء الشبكات بأداء الأطباء، مشيرة إلى أن الأخطاء التي ترتكبها الشبكات تشبه تلك المرتكبة من قبل الخبراء، مما يجسد التحديات التي يولدها الوجود الصغير والغامض للأورام. تهدف هذه الدراسة إلى تعزيز الأهمية السريرية للتقسيم التلقائي للأورام، مما يسهل اتخاذ قرارات علاجية أفضل لمرضى الأورام اللمفاوية.