في ظل التقدم السريع لتكنولوجيا المعلومات والذكاء الاصطناعي، يجد متخصصو طب الجلد أنفسهم يواجهون تحديات جديدة ومتنوعة، خاصة في بيئات طب الجلد عن بُعد (Teledermatology). تكمن هذه التحديات في كيفية تصنيف الصور التي تُقدم للموديل، حيث تختلف هذه الصور عن بيانات التدريب من حيث الإضاءة والزاوية والمسافة والتركيز، مما يزيد من احتمالية وقوع أخطاء في التصنيف.

تتحدث دراسة جديدة تم نشرها في arXiv، عن طريقة جديدة تُعرف باختيار الإدخال الموثوق (reliable-input selection)، حيث تتيح للمتخصصين في التشخيص اختيار الصورة التي من المحتمل أن يصنفها النموذج بشكل دقيق. ويشير الباحثون إلى أن هذه الطريقة قد ترفع من معدل الدقة (weighted F1) بمتوسط حوالي 20 نقطة مئوية عبر ستة مجموعات بيانات لطب الجلد.

ومع وجود صور متعددة لنفس الحالة (كعدوى أو طفح جلدي معين)، يصبح من المنطقي اختيار الصورة الأكثر موثوقية. ومع ذلك، تبين أن هناك صعوبة في تحقيق هذا التحسين في الممارسة العملية، حيث تحتاج الآلية إلى العمل بدون بيانات تدريب سابقة، مما يعزز من قدرة النموذج على العمل مع أي بيانات جديدة، حتى لو كانت غير معلنة.

قدمت الدراسة بعض الطرق التي لا تعتمد على بيانات التدريب مثل: توافق الجوار بين الصور، وثبات التنبؤ تحت الاضطرابات الطفيفة، وثقة النموذج نفسه. ومع ذلك، لم يتمكن أي من هذه الطرق من تقليل الفجوة بين النموذج والنتائج المثالية بشكل كبير.

تُعتبر هذه الدراسة بمثابة خطوة جديدة وهامة في مجال طب الجلد، حيث تقدم نهجاً علمياً مدعوماً بالبيانات لتجاوز تحديات التصنيف.