ترجمه فارسی مقاله طرح های داده کارآمد و تنظیم دقیق برای تشخیص زودهنگام رانش توزیع در تصویربرداری پزشکی

چکیده

Distributional drift detection is important in medical applications as it helps ensure the accuracy and reliability of models by identifying changes in the underlying data distribution that could affect diagnostic or treatment decisions. However, current methods have limitations in detecting drift; for example, the inclusion of abnormal datasets can lead to unfair comparisons. This paper presents an accurate and sensitive approach to detect distributional drift in CT-scan medical images by leveraging data-sketching and fine-tuning techniques. We developed a robust baseline library model for real-time anomaly detection, allowing for efficient comparison of incoming images and identification of anomalies. Additionally, we fine-tuned a vision transformer pre-trained model to extract relevant features using breast cancer images as an example, significantly enhancing model accuracy to 99.11\%. Combining with data-sketches and fine-tuning, our feature extraction evaluation demonstrated that cosine similarity scores between similar datasets provide greater improvements, from around 50\% increased to 100\%. Finally, the sensitivity evaluation shows that our solutions are highly sensitive to even 1\% salt-and-pepper and speckle noise, and it is not sensitive to lighting noise (e.g., lighting conditions have no impact on data drift). The proposed methods offer a scalable and reliable solution for maintaining the accuracy of diagnostic models in dynamic clinical environments.

چکیده به فارسی (ترجمه ماشینی)

تشخیص رانش توزیع در برنامه های پزشکی مهم است زیرا با شناسایی تغییرات در توزیع داده های اساسی که می تواند بر تصمیمات تشخیصی یا درمانی تأثیر بگذارد ، از صحت و قابلیت اطمینان مدل ها کمک می کند.با این حال ، روش های فعلی محدودیت هایی در تشخیص رانش دارند.به عنوان مثال ، گنجاندن مجموعه داده های غیر طبیعی می تواند منجر به مقایسه ناعادلانه شود.در این مقاله یک رویکرد دقیق و حساس برای تشخیص رانش توزیع در تصاویر پزشکی CT-Scan با استفاده از تکنیک های اسکن و تنظیم دقیق ارائه شده است.ما یک مدل کتابخانه پایه قوی برای تشخیص ناهنجاری در زمان واقعی تهیه کردیم که امکان مقایسه کارآمد تصاویر ورودی و شناسایی ناهنجاری ها را فراهم می آورد.علاوه بر این ، ما یک مدل از پیش آموزش ترانسفورماتور بینایی را برای استخراج ویژگی های مربوطه با استفاده از تصاویر سرطان پستان به عنوان نمونه تنظیم کردیم ، به طور قابل توجهی دقت مدل را به 99.11 \ ٪ افزایش می دهیم.با ترکیب با اسکها داده ها و تنظیم دقیق ، ارزیابی استخراج ویژگی ما نشان داد که نمرات شباهت كسین بین مجموعه داده های مشابه پیشرفت های بیشتری را ارائه می دهد ، از حدود 50 \ ٪ افزایش یافته به 100 ٪.سرانجام ، ارزیابی حساسیت نشان می دهد که راه حل های ما نسبت به نویز نمک و فلفل و لکه دار حتی 1 \ ٪ بسیار حساس هستند و به نویز نورپردازی حساس نیست (به عنوان مثال ، شرایط روشنایی هیچ تاثیری در رانش داده ندارد).روشهای پیشنهادی برای حفظ صحت مدل های تشخیصی در محیط های بالینی پویا ، یک راه حل مقیاس پذیر و قابل اعتماد ارائه می دهند.