دمج تقدير عدم اليقين والتعلّم النشط لتعزيز موثوقية التشخيص الطبي المعتمد على التعلّم العميق
تهدف هذه المقالة إلى تعزيز موثوقية نماذج التعلّم العميق الطبية من خلال دمج منهجيات تقدير عدم اليقين والتعلّم النشط (Active Learning)، وتعالج مشكلتين محوريتين في تحليل الصور الشعاعية: ضعف القدرة على تفسير ثقة النموذج، وندرة البيانات المعلّمة. تستعرض المقالة أبرز أساليب تقدير عدم اليقين، موضّحة دورها في كشف الحالات الغامضة، وتقييم ثبات النموذج دون الحاجة إلى إعادة تدريبه. كما تناقش كيفية مساهمة التعلّم النشط في اختيار العينات الأكثر أهمية، مما يقلّل الحاجة إلى مجموعات بيانات كبيرة، ويعزّز تمثيل الحالات النادرة. تُظهر حالتا COVID-19 والالتهاب الرئوي اختلاف دور عدم اليقين بين المرضين؛ حيث ساعد تقدير عدم اليقين في COVID-19 على مواجهة الضبابية، بينما ركّز في حالة الالتهاب الرئوي على تمييز الأنماط المتداخلة.
تشير النتائج إلى أن الجمع بين عدم اليقين والتعلّم النشط لا يحسّن الدقة فحسب، بل يقدّم آلية أفضل لتقدير الثقة السريرية. وبذلك، تصبح النماذج الطبية أكثر قابلية للاعتماد العملي في بيئات التشخيص.
