في عالم الطب الحديث، أصبح استخدام الذكاء الاصطناعي جزءًا لا يتجزأ من تشخيص الأمراض. فكما هو معروف، تلعب الصور المقطعية (CT) دورًا حيويًا في الكشف عن الأمراض القلبية. لكن هناك تحديات كبيرة تواجه الأطباء في تفسير هذه الصور بدقة، بسبب عدم اليقين المرتبط بتعقيد التشريح القلبي. هنا يأتي دور النموذج الجديد GRC-ProbNet.

GRC-ProbNet هو تطور حديث في أساليب تشخيص أمراض القلب، حيث يقدم منهجًا هجينيًا يستخدم تقنيات التعلم العميق (Deep Learning) لعزل وتصنيف ميزات الصور. بدلاً من الاعتماد على قناع فصل (Segmentation Mask) ثابت، يقوم GRC-ProbNet بإنتاج مجموعة من الأقنعة المتعددة باستخدام أسلوب جماعي عميق (Deep Ensemble).

ما هو الجديد؟ من خلال هذه الأقنعة المتعددة، يمكن للنموذج استخراج ميزات عدم اليقين (Uncertainty Features)، وهي بمثابة معلومات مهمة تساعد في تحسين أداء تصنيف الأمراض القلبية. أظهرت الدراسات التي أجريت باستخدام مجموعتي بيانات MM-WHS وASOCA، أن قياس عدم اليقين الذي يعطي أفضل تعبير عن جودة التقسيم ليس بالضرورة هو الذي يقدم أقوى إشارة لنتائج التصنيف.

ويظهر البحث أن GRC-ProbNet حسنت من دقة تصنيف الأمراض القلبية بحصولها على معدل منطقة تحت منحنى التشغيل (AUROC) بلغ 92.92%، مقارنةً بـ 91.25% للنموذج السابق GRC-Net. يمكن للمهتمين الاطلاع على الكود البرمجي المتاح علنياً من خلال رابط الكود.

ما رأيكم في هذه التقنية الحديثة؟ هل تعتقدون أنها ستحدث تغييرًا كبيرًا في مجال الطب؟ شاركونا في التعليقات.