Tıbbi görüntü analizinde benzer hastalıkları birbirinden ayırt etmek, sağlık alanının en zorlu problemlerinden biri olmaya devam ediyor. Araştırmacılar bu soruna çözüm bulmak için T-DuMpRa (Teacher-guided Dual-path Multi-prototype Retrieval Augmented) adında yenilikçi bir yapay zeka sistemi geliştirdi.
Geleneksel yapay zeka sınıflandırıcıları genellikle genel doğruluk oranlarında yüksek başarı gösterse de, görsel olarak çok benzer kategorileri ayırt etmekte zorlanıyor. Bu durum, özellikle ince ayrımların hayati önem taşıdığı tıbbi teşhislerde ciddi sorunlara yol açabiliyor.
T-DuMpRa sistemi, bu sorunu çözmek için çift yollu bir yaklaşım benimsiyor. Sistem, hem ayırt edici sınıflandırma hem de çoklu prototype geri getirme yöntemlerini eş zamanlı olarak kullanarak hem eğitim hem de tahmin süreçlerini optimize ediyor. Eğitim aşamasında, çapraz entropi ve denetimli kontrastif hedefleri birlikte kullanarak güvenilir prototype eşleştirmesi için uygun bir geometrik gömme uzayı öğreniyor.
Sistemin en dikkat çekici özelliklerinden biri, exponential moving average (EMA) öğretmen modeli kullanması. Bu yaklaşım, daha düzgün temsiller elde etmeyi sağlıyor ve öğretmen gömme verilerini kümeleyerek çoklu prototype hafıza bankası oluşturuyor.
Bu gelişme, tıbbi görüntü analizinde yapay zekanın güvenilirliğini artırarak, sağlık profesyonellerine daha kesin teşhis desteği sunma potansiyeli taşıyor.