في الوقت الحاضر، تعتمد نظم الرعاية الصحية بشكل متزايد على تقنيات الذكاء الاصطناعي (AI) في تحليل الصور الطبية، مما يمكّن الأطباء من اتخاذ قرارات علاجية أفضل وأكثر دقة. لكن ما يواجه هذه التقنيات هو تحدي تقدير عدم اليقين، خاصة عندما يتعلق الأمر بتجزئة الصور الطبية.

في هذا السياق، تم تقديم تقنية جديدة تُعرف باسم SegWithU، وهي إطار عمل ما بعد التهيئة (post-hoc) يستخدم بنية أساسية مُدربة مسبقاً في تحليل الصور ويضيف رأس عدم اليقين الخفيف الوزن.

تعمل SegWithU على استخدام ميزات الأنسجة المتوسطة وتستخدم الطاقة كاضطراب لنمذجة عدم اليقين، مما يسفر عن إنتاج خرائط عدم يقين أحادية موجهة لمعايير التقييم. يتضمن ذلك خريطة موجهة نحو الاحتمالية للتخفيف من النتائج، وأخرى موجهة نحو التصنيف لاكتشاف الأخطاء واتخاذ قرارات اختيارية.

تشير النتائج التجريبية عبر مجموعات بيانات مثل ACDC وBraTS2024 وLiTS إلى أن SegWithU يمثل أقوى وأعلى أداء لتجربة مرور واحدة، حيث حققت نتائج مثيرة للإعجاب مثل AUROC/AURC تكاد تصل إلى 0.9946. هذه النتائج تعكس فعالية نمذجة عدم اليقين في تحسين جودة التحليل الطبي.

احصلوا على الشيفرة المصدرية لهذه التقنية عبر الرابط: رابط الشيفرة المصدرية. هل تعتقدون أن هذه التقنية ستحدث تغييرات كبيرة في كيفية إجراء التحليلات الطبية؟ شاركونا آراءكم في التعليقات!