مختبر الرؤية الحاسوبية الدروس تسرب البيانات وعدم التوازن
تسرب البيانات وعدم التوازن
Data leakage and class imbalance in vision
أخطاء منهجية تضخم النتائج في الرؤية الحاسوبية الطبية خاصة.
هذا المحتوى أُعدّ آلياً من مصادر موثقة ولم تكتمل مراجعته العلمية البشرية بعد. إن وجدت خطأً فأبلغنا.
المقدمة
دقة 99% قد تكون نتيجة تسرب أو فئة غالبة، لا نموذجاً ممتازاً.
الأهداف التعليمية
- التعرف على أشكال التسرب.
- التعامل مع عدم التوازن.
- اختيار المقاييس المناسبة.
المتطلبات السابقة
النقل التعلمي، مقاييس التجزئة.
الشرح العلمي
التسرب يحدث حين تصل معلومات من الاختبار إلى التدريب: صور المريض نفسه في المجموعتين، أو مقاطع متجاورة من الحجم نفسه، أو تطبيع بإحصاءات كل البيانات، أو اختيار المعاملات على مجموعة الاختبار. عدم التوازن يجعل الدقة مضللة، فنستخدم الحساسية والنوعية وF1 وAUC، والمعايرة، والتقسيم الطبقي.
المعادلات الرياضية
Balanced accuracy = (Sensitivity + Specificity)/2.
مثال عملي
مجموعة فيها 95% سليم: نموذج يقول «سليم» دائماً دقته 95% وحساسيته صفر.
خطوات التنفيذ
- قسّم على مستوى المريض.
- ثبّت مجموعة اختبار مستقلة.
- أبلغ عن عدة مقاييس مع فترات ثقة.
النتائج المتوقعة
نتائج أكثر واقعية وأقل تفاؤلاً.
الأخطاء الشائعة
تقسيم المقاطع عشوائياً من حجوم ثلاثية الأبعاد.
التطبيقات العملية
كل الأبحاث التطبيقية في الرؤية الطبية.
المراجع
- G. Litjens et al. (2017).A survey on deep learning in medical image analysis. Medical Image Analysis 42. doi:10.1016/j.media.2017.07.005
- L. Maier-Hein et al. (2024).Metrics reloaded: recommendations for image analysis validation. Nature Methods 21. doi:10.1038/s41592-023-02151-z
