في عالم التحليل الطبي، تُعد البيانات المتحيزة عائقاً كبيراً أمام تطوير نماذج طبية موثوقة. ولهذا السبب، تعتبر استراتيجيات زيادة بيانات التدريب عبر خلق صور طبية اصطناعية أحد الأملاء الكبيرة في تحسين الوضع الراهن. ومن بين هذه الاستراتيجيات، برزت فكرة الصور المضادة للحقائق (Counterfactuals) كطريقة واعدة، ولكن ما هو المقصود بهذا المصطلح؟

تنقسم الصور المضادة للحقائق إلى نوعين: الأول يتم إنتاجه عبر تدخلات قائمة على السببية من نماذج سببية هيكلية، والثاني يتضمن تعديلات غير سببية أو نماذج توليد تقليدية، مثل تغيير التشريح أو إضافة حالات مرضية. تتناول دراستنا الفروقات بين هذين النوعين ونقيم تأثيراتهما العملية على زيادة البيانات الطبية.

قام الباحثون بمقارنة ثلاث استراتيجيات أساسية في عملية إنتاج الصور:
1. **الاستراتيجية الحتمية (Deterministic)**: التي تعدل متغيرات مختارة مع تثبيت المتغيرات الأخرى.
2. **الاستراتيجية غير الموجهة (Undirected)**: التي تغير المتغيرات بناءً على التوجهات الإحصائية المكتسبة دون تحديد اتجاهات سببية.
3. **الاستراتيجية السببية (Causal)**: التي تنفذ تدخلات بناءً على نموذج سببي موجه.

تُظهر النتائج أن اختيار الطريقة يؤثر بشكل كبير على الصور الناتجة، مما يطرح تساؤلات حول متى يمكن أن تُحسن الأساليب القائمة على الأسباب من عملية زيادة البيانات، ومتى قد تكون الفوائد محدودة.

علاوة على ذلك، تم تقييم الأداء الدلالي ونزاهة النماذج، حيث تم التركيز على تقليل الحساسية تجاه انحيازات البيانات عبر الفئات الحساسة. تشير التجارب إلى أن استخدام نهج سببي لتوليد بيانات التدريب الاصطناعية يمكن أن يؤدي إلى فوائد ملموسة، مما يقدم إرشادات قيمة لممارسي تعلم الآلة في تصميم بروتوكولات فعالة لتوليد البيانات.