Key points are not available for this paper at this time.
حققت الشبكات العصبية العميقة إنجازات ملحوظة في مهام معالجة الصور الطبية، لا سيما في تصنيف والكشف عن مختلف الأمراض. ومع ذلك، عند التعامل مع بيانات محدودة، تواجه هذه الشبكات نقطة ضعف حرجة تتمثل غالبًا في الإفراط في التكيف بسبب الحفظ المفرط للمعلومات المحدودة المتاحة. يتناول هذا العمل التحدي المذكور أعلاه من خلال تحسين طريقة التعلم التبايني تحت الإشراف لتقليل تأثير الإيجابيات الكاذبة. على عكس معظم الطرق القائمة التي تعتمد بشكل رئيسي على التعلم تحت الإشراف الكامل، تستفيد نهجنا من مزايا التعلم الذاتي إلى جانب استخدام البيانات الموسومة المتاحة. نقوم بتقييم طريقتنا على مجموعة بيانات BreakHis، التي تتألف من صور الأنسجة المرضية لسرطان الثدي، ونُظهر زيادة في دقة التصنيف بمقدار 1.45% على مستوى الصورة و1.42% على مستوى المريض مقارنة بالطريقة الأحدث. تتوافق هذه الزيادة مع دقة مطلقة تبلغ 93.63%، مما يبرز فعالية نهجنا في استغلال خصائص البيانات لتعلم فضاء تمثيلي أكثر ملاءمة.
قام ساني وآخرون (مون،) بدراسة هذا السؤال.