في عالم الطب الحديث، تُعد الهايبرينتنسيتي (White Matter Hyperintensities - WMH) وآفات السكتة الدماغية (Ischaemic Stroke Lesions - ISL) بمثابة علامات حيوية أساسية تعكس حالة الأوعية الدموية الصغيرة في الدماغ. تقنيات التصوير بالرنين المغناطيسي (MRI) تلعب دورًا حيويًا في الكشف عن هذه العلامات، لكنها تواجه تحديات كبيرة تتمثل بالأداء القوي لنماذج التعلم العميق في عملية التعرف والتفريق بين هذه الحالات.

إن منتج البحث الأخير تناول هذه المشكلة بشكل عميق، حيث تم تقييم ست استراتيجيات تدريب مختلفة لنموذج يجمع بين تشخيص WMH وISL باستخدام بيانات غير مكتملة، مما يعكس نضوجًا في فهم كيف يمكن أن تؤثر البيانات الجزئية على أداء النماذج. من خلال تجميع بيانات من مجموعات خاصة وعامة، تم إنشاء مجموعة بيانات كبيرة تتضمن 2,052 صورة رنين مغناطيسي، مما أتاح فرصة فريدة لتحليل البيانات بشكل موسع.

أظهرت النتائج أن استراتيجيات متعددة استطاعت الاستفادة من البيانات الجزئية لتعزيز الأداء العام، حيث برزت تقنية **pseudolabelling** باعتبارها الأكثر فعالية. وتمكن النموذج من إظهار سياسة موثوقة لتجزئة WMH واكتشاف نسبة كبيرة من آفات ISL الإيجابية في تصوير FLAIR.

هذه النتائج تشير إلى إمكانية تطوير أدوات تجزئة تلقائية موثوق بها، مما يعزز من دور الذكاء الاصطناعي في مراقبة الأمراض الوعائية الصغيرة وتوسيع نطاق البحث السريري من خلال استخلاص المؤشرات الحيوية بدقة عالية.