مقایسهٔ ۱۵ روش ادغام داده برای پیش‌بینی بهبودی در بیماری التهابی روده

پژوهشگران چارچوبی برای مقایسهٔ ۱۵ روش ادغام هوش مصنوعی طراحی کرده‌اند که تصاویر اسلایدهای بافت‌شناسی را با داده‌های بالینی بیماران تازه‌تشخیص‌داده‌شده به بیماری التهابی روده ترکیب می‌کند. هدف، پیش‌بینی پیامدهای بهبودی همسو با معیارهای STRIDE-II بود؛ پیش‌بینی‌ها بر پایهٔ داده‌های ویزیت اولیه یا ویزیت‌های پیگیری انجام شدند.

در این چارچوب، بازنمایی هر اسلاید از تجمیعِ مبتنی بر توجهِ داده‌های وصله‌ای به‌دست‌آمده از یک مدل پایهٔ ثابت ساخته شد و در کنار بازنمایی داده‌های بالینی هر ویزیت به روش‌های مختلف ادغام داده شد. بهترین روش‌ها، بسته به سناریو، به امتیاز macro-F1 بین ۰٫۵۷ تا ۰٫۷۵ رسیدند و در چهار مورد از شش سناریو از مدل‌های متکی بر یک نوع داده بهتر بودند. بااین‌حال، روش برتر با توجه به نوع پیامد و ورودی تغییر می‌کرد.

پژوهش همچنین نشان داد میزان اتکای مدل به تصویر با نوع بهبودی ارتباط داشت: این اتکا برای بهبودی بافت‌شناختی بیشترین و برای بهبودی آندوسکوپی کمترین بود. افزون بر این، روش‌هایی با دقت مشابه ممکن بود به درجات متفاوتی به دادهٔ اسلاید وابسته باشند. مقاله پیش‌چاپ است و برای ارائه به سمپوزیوم ISBI سال ۲۰۲۷ ارسال شده است.