في عالم الذكاء الاصطناعي، تصدرت نماذج الخلايا العصبية الآلية (Neural Cellular Automata - NCA) المشهد كبديل خفيف الوزن لشبكات التقسيم المعقدة القائمة على مشفرات ومفككات (encoder-decoder). إلا أن التحدي الأكبر يكمن في التعرف على الوقت الذي يمكن فيه الاعتماد على التنبؤات الناتجة عنها.

دراسة جديدة أظهرت نهجًا مبتكرًا لقياس عدم اليقين في نتائج نماذج الـ NCA المستخدمة في تقنيات التصوير الطبي. هذا الأسلوب الجديد يجمع بين النظرية الديناميكية والذكاء الاصطناعي، حيث يُعتَبر النظام كهيكل ديناميكي، مما يعني أن الأهداف المستقرة تشير إلى تنبؤات موثوقة.

تُعرِّف هذه الدراسة مقياس "المرونة" كوسيلة بسيطة تقيس استقرار التنبؤات النهائية عند تغيير طفيف في حالة النموذج. فالتنبؤات التي تعود إلى نفس الحل تعتبر موثوقة، بينما تلك التي تتغير بشكل كبير تُصنف كغير موثوقة.

تم تقييم فعالية هذه الطريقة من خلال قدرتها على التنبؤ بجودة التقسيم باستخدام مقاييس الاختيار الانتقائي وقياسات التصنيف في عدة اختبارات طبية متعددة. ووجد أن مقياس المرونة يحدد حالات الفشل بشكل أكثر موثوقية من الطرق التقليدية، مما يعزز الثقة والسلامة في نماذج الـ NCA.

وبهذا الشكل، تسهم هذه النتائج في تعزيز قدرة الطب على الاستفادة من الذكاء الاصطناعي، حيث تسهل اتخاذ القرارات الطبية الدقيقة وتعزز الأمان في التطبيقات العملية للذكاء الاصطناعي.