اختيار مجموعة هجينة مدركة للموثوقية لتصنيف علم الخلايا العنقي: دمج التمييز والتقويم والتنبؤ الانتقائي

في عالم الطب، لا يكفي أن تكون دقة التصنيف العالية وحدها كافية؛ بل يجب أن تترافق مع تقديرات موثوقة لعدم اليقين وثقة متوازنة. تطرقت دراسة جديدة في مجال الذكاء الاصطناعي إلى هذه القضايا من خلال اقتراح إطار جديد يسمى "اختيار مجموعة هجينة مدركة للموثوقية"، يستهدف تصنيف علم الخلايا العنقي (cervical cytology classification).

استخدمت الدراسة مجموعة بيانات SIPaKMeD، وقامت بتقييم تسع عماريات من تقنيات التعلم العميق ضمن تقسيم ثابت ذو خمس طيات واستنادًا إلى ثلاثة بذور تدريبية. بالنسبة للأداء، تم تطبيق تقنيات متقدمة مثل تصحيح درجة الحرارة بعد التدريبات (post-hoc temperature scaling) لتقييم النماذج باستخدام مقاييس متعددة: الدقة العامة، ومعدل إعادة الاستدعاء، وأخطاء التقويم المتوقعة.

لتحقيق نتائج موثوقة، تم تصنيف النماذج وفقًا لدرجة مجمعة متساوية الوزن، وتشكيل مجموعات هجينة (Hybrid-K ensembles) من النماذج الأعلى مرتبة عبر التصويت الناعم. كما تم اختبار قوة هذه المجموعات باستخدام نماذج مختبرة عبر أوزان معلمات مختلفة.

النموذج الهجين النهائي، الذي يتكون من Swin-Tiny وTinyViT-5M، أظهر تحسينات مذهلة، حيث خفض مجال المخاطر - التغطية (AURC) بنسبة 43%، ودرجة Brier بنسبة 17%، وECE الأسوأ بنسبة 36% مقارنة بأفضل نموذج فردي.

ومع ذلك، لا تزال المكاسب غير واضحة من الناحية الإحصائية بعد تصحيح Holm-Bonferroni، مما يشير إلى الحاجة إلى مزيد من البحث في هذه الجوانب. تم اختيار النموذج الهجين في 96.8% من سيناريوهات الوزن العشوائية، مما يدل على استقراره وموثوقيته.

باختصار، أحدثت هذه الدراسة ثورة في كيفية النظر إلى تصنيف علم الخلايا عنق الرحم، حيث قدمت إطارًا يمكن أن يساعد الأطباء في اتخاذ قرارات أكثر دقة بناءً على تحليل الصورة.

ما رأيكم في هذا التطور؟ شاركونا تجاربكم في التعليقات.