أسفرت تقنيات التعلم العميق (Deep Learning) عن تحولات جذرية في مجال تصوير الأعصاب، حيث حققت أداءً متفوقًا مع تقليل أوقات الحوسبة. ومع ذلك، يبقى عدم اليقين العددي المرتبط بتدريب نماذج التعلم العميق غير مستكشف بشكل كافٍ على الرغم من إمكاناته لتأثير ملحوظ على موثوقية النتائج.

تشير الدراسات إلى أن تدريب نموذج تقسيم FastSurfer يولد كمية كبيرة من عدم اليقين العددي، مما يتجاوز نظيره التقليدي FreeSurfer 7.3.2 في المناطق القشرية، مما قد يؤثر على النتائج السريرية فيما بعد. وقد تم توصيف هذا النوع من عدم اليقين أثناء وقت التدريب من خلال التغيرات العشوائية في القيم، حيث تُظهر النتائج أن هذا الاختلاف الناجم عن بذور العشوائية قابل للمقارنة بنيوياً مع عدم اليقين العددي.

الأهم من ذلك، تم استغلال هذه القابلية للتنوع في السياق كوسيلة لتوسيع البيانات (Data Augmentation) من خلال تقنيات التجميع، مما أدى إلى تحسين أداء حساب أعمار الدماغ.

هذه النتائج تعيد رسم ملامح موثوقية تصوير الأعصاب من خلال النتائج القابلة للقياس، مما يبرز أهمية عدم اليقين العددي أثناء تدريب نماذج التعلم العميق كعامل مؤثر. تعكس هذه الفجوة في البحث أهمية استمرار الدراسة والتحقيق في كيفية تعزيز طريقة عالج البيانات في مثل هذه الأنظمة المعقدة.