تستمر تقنيات الذكاء الاصطناعي في إحداث ثورة في مجالي العلوم الطبية والتصوير، لكن يبقى التحدي الأكبر هو تحديد الأخطاء والإخفاقات (hallucinations) التي قد تسبب عواقب وخيمة. هنا يأتي دور طريقة تقدير عدم اليقين المعروفة باسم QUTCC (Quantile Uncertainty Training and Conformal Calibration).

تعمل هذه الطريقة على تحسين جودة التنبؤات من خلال استخدام أساليب جديدة في تقدير عدم اليقين، حيث تُمكن من تحديد حدود الخطأ بشكل إحصائي موثوق. تركز QUTCC على مشكلات التصوير ذي الأبعاد العالية، حيث تختلف التقنيات التقليدية في تقدير عدم اليقين عن التقنيات التي تم تطويرها لمشكلات تتعلق بالصورة، مما يُفضي إلى نطاقات احترام أكبر من الضرورة.

تعتمد QUTCC على بنية معمارية تُعرف باسم U-Net، والتي تمتاز باستخدام تضمين كمّي (quantile embedding) لتعلم توزيع كمّي مشروط كامل أثناء التدريب. ومن ثم تستخدم هذه الوظيفة المتعلمة وغير الخطية في عملية المعايرة المتوافقة، مما يسمح بتعديل تقديرات عدم اليقين بطريقة تجعلها أكثر توافقاً مع بنية الصورة.

أظهرت الدراسات أن الطريقة تتمتع بقدرة على تقدير فترات عدم اليقين بدقة مع ضمان تغطية بكفاءة، مما يعد إنجازا كبيرا في مجالات مثل التصوير بالرنين المغناطيسي وتقدير كثافة الاحتمالات. بالإضافة إلى ذلك، يمكن أن تساعد المناطق ذات عدم اليقين العالي في تحديد الأخطاء في تنبؤات النموذج.

لذا، تمثل QUTCC خطوة هامة نحو تحسين تطبيقات الذكاء الاصطناعي في المجالات الطبية والعلمية، مما يُبرز أهمية إتاحة تقديرات دقيقة وموثوقة لمساعدة المهنيين في اتخاذ القرارات الصائبة.