في عالم التصوير الطبي، تمثل ضوضاء التسميات تحديًا كبيرًا يؤثر على دقة التشخيص. الأخطاء الناجمة عن اختلافات تقييم الأطباء وغموض التشخيص تؤدي إلى مسارات علاجية غير موثوقة. رغم أن هناك العديد من الأساليب التعلمية المقاومة للضوضاء، إلا أن تقييمها في الغالب يعتمد على مقاييس دقة تقليدية، تلك التي غالبًا ما تتجاهل التكاليف المختلفة للأخطاء السريرية.

في سياق تشخيص الأمراض، يكون للخطأ السلبي (فقدان تشخيص المرض) عواقب وخيمة أكثر بكثير مقارنةً بالخطأ الإيجابي (إنذار كاذب)، حيث أن التأخير في العلاج قد يؤثر بشكلٌ مباشر على صحة المريض. لذلك، فقد قمنا في هذا البحث بدراسة فعالية أساليب التعلم المقاومة للضوضاء، مع التأكيد على سلامة المرضى في ظل ضوضاء التسميات.

قمنا بإجراء تقييم ممنهج يعتمد على المخاطر على الأساليب الحديثة مثل Coteaching وDivideMix وUNICON، بالإضافة إلى منهج تصفية يعتمد على النماذج المختلطة العامة (GMM) على مجموعات بيانات DermaMNIST وPathMNIST تحت معدلات نظيفة وناجحة من الضوضاء تصل إلى 40%. ولتقييم الأداء بشكل أدق، اعتمدنا على صياغة المخاطر العالمية الحساسة للتكاليف التي تعاقب بشكل محدد الأخطاء السلبية.

تظهر النتائج أن مقاومة الأساليب الحديثة للضوضاء لا تضمن بالضرورة السلامة السريرية. ومع ذلك، فقد أثبتنا أن دمج التحسين الحساس للتكاليف مع التدريب المقاومة للضوضاء يقلل بشكل كبير من المخاطر السريرية، مع الحفاظ على فاعلية النموذج. تشدد هذه النتائج على ضرورة تقييم التعلم المقاوم للضوضاء من خلال منظور المخاطر السريرية، وأن الجمع بين التدريب القوي والتحسين الحساس للتكاليف يمكن أن يقلل بفعالية من المخاطر في السيناريوهات الطبية التي تواجه ضوضاء في التسميات.