في دراسة جديدة نشرت على منصة arXiv، قدم الباحثون حلاً مبتكرًا لمشكلة العدالة في تصنيفات الصور الطبية. تكمن المشكلة في عدم كفاية عينات الفئات الأقل، مما يؤثر سلبًا على أداء أنظمة الذكاء الاصطناعي. لكن مع تطوير مولدات الصور الطبّية الاصطناعية المشروطة ديموغرافيًا، تم تقديم طريقة لتقليل التحيز في مرحلة التدريب وكشفه في مرحلة التقييم.

ركزت الدراسة على تصنيف الأشعة المقطعية الخاصة بـ COVID-19 باستخدام مولد Stable Diffusion 2.1 المدرب بدقة. تم اكتشاف أن المجموعة الاصطناعية المتوازنة ديموغرافيًا كانت الأكثر فائدة كوسيلةٍ سابقة للتحضير، وليس كتعزيز مشترك، حيث أثبتت النتائج أن إعداد البيانات بشكل متسلسل يحقق أداءً أعلى بمقدار 100 مرة مقارنةً بالاستخدام الاعتيادي للبيانات الحقيقية.

أيضًا، أظهر النظام القدرة على إعادة إنتاج تصنيف الفئات بشكل دقيق، مما يجعل المجموعة الاصطناعية أداة فعالة في مراقبة العدالة وتحليل التحيز. هذه النتائج تمثل قفزة نوعية في تحسين أداء أنظمة الذكاء الاصطناعي في المجالات الحساسة مثل الرعاية الصحية، حيث الدور الحيوي للمساواة يلعب دورًا أساسيًا.

هل تعتقد أن هذه التقنية ستحدث فرقاً في تحسين دقة التصنيفات الطبية؟ شاركونا آراءكم في التعليقات!