في العقود الأخيرة، شهدنا تطورات هائلة في مجال التعلم العميق (Deep Learning)، مما أدى إلى تبني واسع النطاق لتقنيات الذكاء الاصطناعي في مجالات متعددة، بما في ذلك التصوير الطبي. يُعزى هذا التقدم إلى ظهور نماذج معمارية معقدة مثل الشبكات العصبية المتبقية (ResNets)، ومحوّلات الرؤية (Vision Transformers)، والشبكات العصبية الالتفافية الهجينة (Hybrid Convolutional Neural Networks)، التي تقدم أداءً محسنًا ولكن على حساب زيادة التعقيد.

هذا التعقيد غالبًا ما يؤثر سلبًا على قابلية تفسير النموذج (Model Explainability)، مما يجعل من الصعب على الخبراء فهم التنبؤات الناتجة. تُعتبر تقنية SHAP، التي تقدم تصورات قابلة للتفسير، من أبرز الأساليب المستخدمة لمساعدة المختصين على استيعاب توقعات النماذج. ومع ذلك، فإن SHAP لا تخلو من عيوبها، إذ يمكن أن تكون التفسيرات غير مستقرة وغير موثوقة في ظل وجود شكوك معرفية (Epistemic) وعشوائية (Aleatoric).

تناولت دراسة جديدة هذه التحديات، باعتمادها على تقنيات مثل أخذ عينات من التوزيع البعدي لديريشليه (Dirichlet Posterior Sampling) ونظرية دمبستر-شيفر (Dempster-Shafer Theory) من أجل قياس الشكوك الناتجة عن تفسيرات SHAP غير المستقرة في تطبيقات التصوير الطبي.

تستخدم الإطار المفهومي الذي طرحته هذه الدراسة نهجاً يعتمد على الخرائط الإيمانية، والاحتمالية، والدمج، جنبًا إلى جنب مع التحليل الكمي الإحصائي، لإنتاج تقييم كمي للشكوك في SHAP. علاوة على ذلك، تمت مراجعة الإطار على ثلاثة مجموعات بيانات تصوير طبي، مع توزيع متنوع للفئات، وجودة الصور، وأنماط مختلفة، مما أدخل ضوضاء نتيجة تباين دقة الصور والجوانب الخاصة بالنمط، مع تغطية حالات من علم الأمراض (Pathology)، وطب العيون (Ophthalmology)، والأشعة (Radiology)، مما أدى إلى إدخال مستوى كبير من الشكوك المعرفية.

مع تزايد الاعتماد على الذكاء الاصطناعي في مجال الطب، فإن فهم الشكوك المرتبطة بالتنبؤات يمكن أن يلعب دورًا مهمًا في تحسين نتائج المرضى، وزيادة موثوقية النماذج. الأهم من ذلك، يعكس هذا التطور التزام الباحثين بدعم اتخاذ القرارات السليمة في المجال الطبي ودفع حدود المعرفة في الذكاء الاصطناعي.

ما رأيكم في هذه التطورات في مجال الذكاء الاصطناعي؟ ندعوكم لمشاركة آرائكم في التعليقات!