في عالم الذكاء الاصطناعي (AI) وتشخيص الأمراض، تأتي دراسات جديدة لتغير قواعد اللعبة تقنيًا. إحدى هذه الدراسات، التي تم الإبلاغ عنها على موقع arXiv، تستكشف كيف يمكن دمج التحيزات العلائقية الضمنية (Implicit Relational Biases) والصريحة (Explicit Relational Biases) من خلال نموذج ذو مستويين لدعم تصنيف الصور، وخاصة في مجال تشخيص الآفات الجلدية.

تبدأ الدراسة بإنشاء نموذج أساسي باستخدام معمارية EfficientNetB3، قبل أن تنتقل إلى استخدام استراتيجيات تعتمد على تقسيم الصور (Patch-based Strategy) لتجاوز التحيزات التقليدية في الشبكات العصبية التلافيفية (Convolutional Neural Networks). يتم استخدام آلية تعليم ذاتية (Self-supervised Learning) لتعلم العلاقات بين التقسيمات المختلفة للصورة، مما يعزز الفهم الضمني للعلاقات.

لكن الأمر لا يتوقف عند هذا الحد. تأتي الدراسة بمزج النماذج الضمنية مع نماذج علائقية صريحة، حيث تعمل على تنظيم التمثيلات المتعلمة ضمن أشكال مختلفة من الرسوم البيانية، بما في ذلك الهياكل القابلة للشبكة (Grid-based) والهياكل العشوائية (Random) وبيانات الجوار الأقرب (k-nearest neighbour structures).

تظهر النتائج التجريبية على معايير تشخيص الآفات الجلدية (ISIC-2018 وISIC-2019) أن الجمع بين النمذجة الضمنية والنمذجة العلائقية المستندة إلى الرسوم البيانية أدى إلى تحسين كبير في الأداء. فقد حقق النموذج الأساس دقة متوازنة بلغت 76.17% في مجموعة اختبارات ISIC-2018، لكن هذه الدقة ارتفعت إلى 77.12% بفضل النمذجة الضمنية. وزادت دقة نظام Graph Attention Network المعتمد على الشبكة الهيكلية إلى 79.27%.

وفي حالة ISIC-2019، بلغت الدقة 59.84% مع النمط الضمني، في حين أن الدمج بين الأسلوبين الضمني والصريح رفعت الدقة إلى 60.67%.

هذه النتائج تعكس تقدمًا مثيرًا في استراتيجيات تشخيص الأمراض، مما يعطي الأمل في تحسين أساليب تشخيص أخرى في المستقبل. ما هي توقعاتكم حول هذه التطورات في مجال الذكاء الاصطناعي والرعاية الصحية؟ شاركونا آرائكم في التعليقات.