كتب الذكاء الاصطناعيمشاريع الذكاء الاصطناعيمقالات الذكاء الاصطناعيمعجم الذكاء الاصطناعياسئلة واجوبة في الذكاء الاصطناعيأكاديمية الذكاء الاصطناعي للأطفالأكاديمية الذكاء الاصطناعيمدرسة رياضيات الذكاء الاصطناعيمختبر الذكاء الاصطناعيمختبر الخوارزميات المستوحاة من الطبيعةأطلس نماذج الذكاء الاصطناعيموسوعة تطبيقات الذكاء الاصطناعيمستكشف مجموعات البيانات للذكاء الاصطناعياختبارات الذكاء الاصطناعيالفايب كودينغدليل البرمجة بالذكاء الاصطناعيمولّد مشاريع الذكاء الاصطناعيمرصد الذكاء الاصطناعيدليل أدوات الذكاء الاصطناعي البحث والنشر الأكاديميمكتبة البرومبتات الأكاديميةمستودع الرسائل والأطاريح في الذكاء الاصطناعيحاسبة الترقية العلميةأكاديمية الوكلاء الذكيينمختبر أخلاقيات الذكاء الاصطناعي والعدالةساحة ألعاب الذكاء الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةمختبر الشبكات العصبية البيانيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعيأكاديمية ماتلاب والذكاء الاصطناعيمصمم الشبكات العصبيةأكاديمية الذكاء الاصطناعي بدون برمجة

تحليل الصور الطبية بالذكاء الاصطناعي متقدم · Advanced 15 دقيقة

مقاييس التقييم المناسبة

Choosing the Right Evaluation Metrics

AUROC والحساسية والنوعية، وDice ومسافة هاوسدورف، والمعايرة، وإرشادات Metrics Reloaded.

تقدّمك في المسار0%

التصنيف

المقياسيجيب عنتحذير
AUROCجودة الترتيب عبر كل العتباتلا يحدد نقطة التشغيل
الحساسية والنوعيةالأداء عند عتبةتعتمد على اختيار العتبة
القيم التنبؤيةمعنى النتيجة للمريضتعتمد على معدل الانتشار
AUPRCالأداء مع الندرةقيمتها الأساسية تساوي معدل الانتشار
المعايرةصدق الاحتمالاتتحتاج إلى عينة كافية

التقطيع

$$\mathrm{Dice} = \frac{2\lvert P \cap G \rvert}{\lvert P \rvert + \lvert G \rvert}$$

المقياسيقيسملاحظة
Dice / IoUالتداخلقاسٍ مع البنى الصغيرة
HD95أسوأ انحراف للحدوديحتاج إلى spacing فيزيائي
Dice السطحي (NSD)تطابق السطح ضمن تسامحالتسامح يحدده الخبراء
خطأ الحجمالفرق الحجميمهم في المتابعة
import torch
from monai.metrics import DiceMetric, HausdorffDistanceMetric
dice = DiceMetric(include_background=False, reduction="mean")
hd95 = HausdorffDistanceMetric(include_background=False, percentile=95)
# pred و gt بصيغة one-hot بأبعاد (B, C, H, W, D)
# dice(pred, gt); hd95(pred, gt, spacing=(1.0, 1.0, 2.5))

فترات الثقة

احسب فترات الثقة بالبوتستراب على مستوى المريض، لأن صور المريض الواحد غير مستقلة.

إطار Metrics Reloaded

يقترح اختيار المقاييس بحسب خصائص المسألة، مثل حجم البنية، ووجود حالات بلا آفة، وأهمية الحدود، وطريقة التجميع، بدلاً من الاعتماد على Dice بشكل تلقائي.

أبلغ عن المقاييس لكل مجموعة فرعية مهمة (المركز، الجهاز، الجنس، العمر، شدة المرض)، لا عن المتوسط فقط.

مصطلحات الدرس

المعايرة Calibration
مدى تطابق الاحتمالات المتنبأ بها مع التكرارات الفعلية، فمن بين الحالات ذات احتمال 0.8 يجب أن يكون نحو 80% إيجابياً.
مسافة هاوسدورف Hausdorff Distance
أكبر مسافة من نقطة على أحد السطحين إلى أقرب نقطة على الآخر، وتُستخدم نسختها المئوية 95 لتقليل أثر القيم الشاذة.
نقطة التشغيل Operating Point
العتبة المختارة لتحويل الاحتمال إلى قرار، وتحدد التوازن بين الحساسية والنوعية.

الملخص

المقياس يجب أن يعكس السؤال السريري. في التصنيف: AUROC يلخص الأداء عبر العتبات، لكن القرار يتطلب عتبة، فنبلغ عن الحساسية والنوعية والقيم التنبؤية عند نقطة التشغيل، مع AUPRC للفئات النادرة. في التقطيع: Dice يقيس التداخل لكنه يعاقب الأخطاء في البنى الصغيرة بشدة ولا يقيس دقة الحدود، فيكمَّل بمسافة هاوسدورف المئوية 95 أو Dice السطحي. المعايرة مهمة عندما تُستخدم الاحتمالات. Metrics Reloaded إطار لاختيار المقاييس بحسب خصائص المسألة.

أسئلة مراجعة

  1. لماذا قد يكون Dice منخفضاً لآفة صغيرة رغم أن الكشف صحيح سريرياً؟

    لأن خطأ بضع بكسلات على الحدود يمثل نسبة كبيرة من حجم الآفة الصغيرة.

  2. متى يكون AUPRC أكثر إفادة من AUROC؟

    عند الندرة الشديدة للفئة الإيجابية، لأنه يتأثر مباشرة بالإيجابيات الكاذبة نسبة إلى الإيجابيات الحقيقية.

المصادر والمراجع

  1. Maier-Hein et al. (2024) — Metrics reloaded: recommendations for image analysis validation (Nature Methods)
  2. Reinke et al. — Understanding metric-related pitfalls in image analysis validation
  3. Guo et al. (2017) — On Calibration of Modern Neural Networks
  4. MONAI — Metrics

إكمال الدرس