سجل الباحثون في مجال الذكاء الاصطناعي إنجازًا جديدًا مع إطلاق نموذج OptiModNet، وهو نموذج هجين يجمع بين تقنيات UNet ونموذج التحويلات (Transformer) لتقسيم قرص وكوب العين بدقة متناهية. تكتسب هذه التقنية أهمية كبيرة في الكشف المبكر عن الزرق (Glaucoma)، حيث تساهم في تشخيص فعال يتيح الكشف في البيئات السريرية ذات الموارد المحدودة.

تشكل عملية تقسيم القرص وكوب العين خطوة حاسمة في التقرير الطبي, حيث تحتاج هذه العملية إلى دقة مرتفعة وكذلك سهولة في الاستخدام من الناحية الحسابية. على الرغم من أن نماذج التعلم العميق مثل UNets ونموذج التحويلات (ViTs) أثبتت كفاءتها الكبيرة في الأداء، إلا أنها غالبًا ما تأتي بتكلفة حسابية مرتفعة.

تمكن نموذج OptiModNet، بفضل وجود آليات انتباه متنوعة، من تحقيق توازن مثالي بين الأداء والكفاءة. تستخدم هذه التقنية تصميمًا مبتكرًا يشمل دمج آليات انتباه متعددة في مراحل مختلفة من الشبكة لتعزيز تمثيل الميزات المحلية والعالمية. بالإضافة إلى ذلك، تم تضمين خسارة الهرم المجمعة (Aggregated Pyramid Loss) التي تعمل على دعم التنبؤات في أعماق مختلفة من المُفكك، مما يعزز تدفق التدرج والاتساق الهيكلي.

تم تقييم نموذج OptiModNet باستخدام مجموعة بيانات REFUGE2، وحقق أداءً متفوقًا بنسبة تزيد عن 2.5% مقارنةً بالأساليب الموجودة، بينما احتفظ بكفاءة عالية حيث استخدم فقط 3.73 GFLOPs و1.93 مليون معلمة. يمكن للمطورين والمختصين الوصول إلى كود النموذج عبر GitHub.

ختامًا، يعيد OptiModNet تعريف حدود ما يمكن تحقيقه في مجالات الطب والذكاء الاصطناعي، مما يفتح آفاقًا جديدة في تقديم الرعاية الصحية.