في عالم الذكاء الاصطناعي، أصبحت تقنيات تقليم النماذج (Model Pruning) واحدة من الأدوات الأساسية لتقليل حجم الشبكات العصبية العميقة. ولكن، كيف يؤثر هذا الأسلوب على أداء النماذج وخاصة عند التعامل مع بيانات طبية تحتوي على حالات نادرة لكنها هامة؟ هذا الموضوع هو ما تناقشه دراستنا الحديثة.

تسعى هذه الدراسة لتسليط الضوء على ظاهرة نسيان طويل الذيل (Long-Tail Forgetting) وموثوقية التفسيرات في ظل استخدام تقليم النماذج، حيث تعد بيانات التصوير الطبي التي تفتقر إلى بعض الحالات السريرية الهامة تحدياً كبيراً.

فقد أجرينا دراسة منهجية شملت نوعين من قواعد بيانات التصوير الطبي ذات الذيل الطويل، واستخدمنا معماريات CNN مختلفة وأربعة أساليب لتقليم النماذج، مع مستويات من التبسيط تصل إلى 95%. لقد قيمنا الأداء التنبؤي، وثبات التفسيرات، وموثوقية تلك التفسيرات.

تشير النتائج إلى أن الأداء التنبؤي يتبع نمطاً يعتمد بشكل كبير على تكرار الفئات، حيث تعاني الفئات ذات التكرار المنخفض من تدهور أسرع وأكبر مقارنة بالفئات الأكثر تكراراً. أما بالنسبة للتفسيرات، فتظهر النتائج أن الاستراتيجية المستخدمة في التقليم تلعب دوراً حيوياً. حيث أن الطرق المستندة إلى التدرجات (Gradient-informed Methods) تحافظ على موثوقية التفسير بشكل أفضل عند تطبيق ضغط كبير.

تظهر التحليلات الكيفية والميكانيكية أن تدهور التفسير يرتبط بشكل أساسي بانهيار التدرجات المميزة للفئات بدلاً من اختفاء تفاعلات الميزات. لذا، يبقى من الهام تقييم تقنيات ضغط النماذج بالنظر إلى الأداء العام بالإضافة إلى فئات الحقول والتفسيرات.

في الختام، يوضح بحثنا أن هناك توازنًا عمليا بين ضغط البيانات، الأداء التنبؤي، وموثوقية التفسير، مما يجعل هذا البحث مُهمًا ليس فقط لأبحاث الذكاء الاصطناعي بل للمجتمع الطبي ككل.