في عالم الذكاء الاصطناعي، تُظهر الشبكات العصبية قدراً كبيراً من التطور، خصوصاً عند استخدامها في تصنيف الصور المرضية. تتناول دراسة جديدة تأثير التحولات الكلاسيكية المستخدمة في معالجة الصور على الفضاء الكامن (Latent Space) للشبكات العصبية، حيث يتم تقليل التعقيد وزيادة الأداء.

تعتمد عملية تدريب الشبكات العصبية في تصنيف الحالات المرضية عادةً على ترميز البيانات إلى الفضاء الكامن، مما يسهل تقديم المحتوى البيولوجي والتشخيصي. وقد أظهرت النتائج أن التحولات ذات الصلة، مثل تلك المستخدمة في معالجة الصور، تؤدي إلى تقارب كبير بين تمثيلات الصور الأصلية والمتحولة، مما يعكس مدى قوة وموثوقية هذه الشبكات.

استخدم الباحثون في هذه الدراسة الشبكات التي قدمتها شركة Lunit Inc. وBioptimus، بالإضافة إلى فريق أبحاث Meta، موفرين مجموعة من الصور من النسيج المعدي المعوي. توصلت النتائج إلى أن التمثيلات الناتجة من الصور الأصلية والمتحولة كانت أقرب إلى بعضها البعض بالمقارنة مع تمثيلات عشوائية وغير مرتبطة، مما يبرز فعالية التحويلات في تحسين الأداء.

لكن لم تكن الشبكات العصبية محصنة بالكامل من تأثيرات التحولات، مما يفسر سبب تحسين بيانات التدريب خلال التوسيع عبر التحولات المتنوعة، وكشف عن اختلافات ملحوظة بين الشبكات المصممة للتعامل مع الصور العامة وتلك المتخصصة في مجال علم الأمراض.

تُعتبر هذه الدراسة خطوة هامة لفهم كيفية تحسين نماذج الذكاء الاصطناعي، وتعزز من اعتقادنا بأن الرحلة نحو تطوير الأنظمة الذكية تحتاج إلى فهم عميق لتحولات البيانات وكيفية التعامل معها.