في عالم اليوم المتزايد التكنولوجيا، تواجه نماذج الذكاء الاصطناعي تحديات متعددة، لا سيما في مجال التصوير الطبي، حيث تعتبر ضوضاء التسميات (Label Noise) أمراً شائعاً. هذه الضوضاء تنشأ من عوامل مثل اختلاف تقييمات المراجعين، أخطاء في التوصيف، وحالات غامضة، وقد تؤثر بشكل سلبي على موثوقية ونوعية النماذج المدربة.

أتى النموذج الجديد "LiNC" (Lightweight Noise Correction) ليكون بمثابة الحل الفعال لهذه المشكلة. يتيح هذا النموذج إضافة معلمة موثوقية قابلة للتدريب لكل عينة تدريب، مما يساعد على تحديد الأوقات المناسبة لاستخدام التسميات الملاحظة أو الاعتماد على النموذج نفسه.

تتمثل الفكرة الأساسية في تدريب النموذج باستخدام توليفة مقوسة من التسمية الملاحظة وتوزيع النموذج التنبؤي الخاص به، والتي تُراقَب بواسطة معلمة موثوقية لكل عينة. تظهر تجربتنا أن تدرج هذا الهدف يُوجه قيم الثقة في اتجاهات متناقضة للعينات النظيفة مقابل تلك الملوثة بالضوضاء في المرحلة المبكرة من التدريب، مما يؤدي إلى توزيع موثوق قابل للفصل.

وضعنا نموذجًا مختلطًا ثلاثي المكونات لقيم الثقة لنفصلها إلى حالات نظيفة، غامضة، وملوثة، ثم قمنا بتنفيذ مرحلة تصحيح ناعمة قصيرة على الحالات الملوثة تليها مرحلة تصحيح نهائية صارمة.

أظهرت التجارب على عشرة مجموعات بيانات ثنائية الأبعاد من MedMNISTv2 تحت ضوضاء تسميات تصل إلى 50% زيادات ثابتة في الدقة وكشف قوي للملصقات الخاطئة. بل وأثبت "LiNC" أنه يضيف عبئاً بسيطاً للغاية، حيث تظل تعقيدات وقت التدريب تحت السيطرة.

إن هذا الابتكار المذهل يعد خطوة جريئة في تحسين دقة نماذج الذكاء الاصطناعي المُعتمدة على بيانات التصوير الطبي. كيف ترى تأثير هذا الابتكار في المستقبل؟ شاركونا آراءكم في التعليقات!