في عصر الذكاء الاصطناعي، تبرز أهمية كشف البيانات غير المعتادة (Out-of-Distribution Detection) لبناء نظم موثوقة. فالموديلات التي تعطي مخرجات لمدخلات غير صحيحة لن يمكن الوثوق بها. رغم أن التعلم العميق (Deep Learning) غالبًا ما يُفترض أنه يتفوق على التعلم الآلي (Machine Learning)، إلا أن البيانات المستخدمة في تصوير الطبية تأتي عادةً من بروتوكولات موحدة، مما يؤدي إلى تنوع محدود في الصور أثناء المهام المرتبطة بكشف البيانات غير المعتادة.

دراسة حديثة أجريت على مجموعات بيانات مفتوحة تتكون من أكثر من 60,000 صورة لشبكية العين وغير ذات صلة، تم تقييم خوارزميات التعلم الآلي والتعلم العميق في هذا السياق. النتائج أظهرت أن كلا الأسلوبين حققا درجة AUROC تصل إلى 1.000، ودقة تتراوح بين 0.999 و1.000 في مجموعات التحقق الداخلية والخارجية، مما يدل على أداء كشف مشابه.

لكن اللافت في الدراسة كان أن نهج التعلم الآلي أظهر زمن استجابة أقل بكثير مقارنة بالتعلم العميق، مع الحفاظ على نفس مستوى الدقة. وهذا يشير إلى كفاءة حسابية أعلى تدعم استخدام خوارزميات التعلم الآلي في التطبيقات الواقعية التي تتطلب تكلفة حسابية منخفضة، خاصة للمهام ذات التعقيد البصري المحدود.

إجمالًا، تؤكد هذه النتائج على إمكانية الحصول على أداء مشابه لأداء التعلم العميق باستخدام خوارزميات التعلم الآلي سهلة الحجم، مما يعود بالنفع الكبير على تنفيذها في الحياة العملية. ما رأيكم في هذا التطور الكبير؟ شاركونا في التعليقات!