Beta-Rank: طريقة متينة لتقليم المرشحات التلافيفية لتحليل الصور الطبية غير المتوازنة

نظرًا لأن الشبكات العصبية العميقة تحتوي على عدد كبير من المعاملات والعمليات، فإن تنفيذ هذه النماذج على الأجهزة ذات الموارد الحسابية المحدودة قد يشكل تحديًا. وعلى الرغم من التطور في أساليب القص الحديثة التي تهدف إلى تطوير نماذج أكثر كفاءة من حيث الاستخدام الموارد، فقد أصبح واضحًا أن هذه النماذج لا تتمتع بالقدرة على التعامل مع "المجموعات غير المتوازنة" و"عدد محدود من النقاط البيانات". وقد اقترحنا طريقة جديدة لقص الفلاتر، مع أخذ بعين الاعتبار المدخلات والمخرجات لكل فلتر، فضلًا عن قيم الفلاتر، مما يجعلها أكثر كفاءة في التعامل مع البيانات غير المتوازنة مقارنةً بالطرق الأخرى. وتعتمد طريقة القص هذه على حقيقة أن كل المعلومات المتعلقة بأهمية فلتر ما قد لا تعكس بالكامل في قيمة الفلتر نفسها، بل تعكس في التغيرات التي تطرأ على البيانات بعد تطبيق الفلتر عليها. وفي هذه الدراسة، قورنت ثلاث طرق ضمن نفس ظروف التدريب باستثناء قيم التصنيف الخاصة بكل طريقة، كما قورنت 14 طريقة أخرى من أوراق بحثية سابقة. وقد أظهرنا أن نموذجنا أظهر أداءً أفضل بشكل ملحوظ مقارنةً بالطرق الأخرى في حالات البيانات الطبية غير المتوازنة. على سبيل المثال، عند إزالة ما يصل إلى 58٪ من عمليات الضرب والجمع (FLOPs) في مجموعة بيانات IDRID، و ما يصل إلى 45٪ في مجموعة بيانات ISIC، كان نموذجنا قادرًا على تحقيق نتائج مكافئة (أو حتى أفضل) من النموذج الأساسي. ولتقييم تقليل عدد عمليات FLOPs والمعاملات باستخدام نموذجنا في البيئات الواقعية، قمنا ببناء تطبيق للهاتف الذكي، حيث أظهرنا خفضًا يصل إلى 79٪ في استخدام الذاكرة، وخفضًا بنسبة 72٪ في وقت التنبؤ. وجميع الشيفرات والمعاملات المستخدمة في تدريب النماذج المختلفة متاحة عبر الرابط التالي: https://github.com/mohofar/Beta-Rank