# ORGANIC3D بررسی می‌کند مدل‌های CT آناتومی درست را تشخیص می‌دهند یا نه

> چارچوبی تازه می‌سنجد مدل‌های سه‌بعدی بینایی‌ـ‌زبان برای CT چگونه یافته‌ها را به اندام‌ها مرتبط می‌کنند و به آن‌ها آموزش می‌دهد بیشتر به شواهد مرتبط در اسکن تکیه کنند.

Oossa · 2026-11-19 · https://oossa.com/fa/organic3d-tests-whether-ct-models-use-the-right-anatomy

پژوهشگران ORGANIC3D را معرفی کرده‌اند؛ چارچوبی برای آزمودن و بهبود این‌که آیا مدل‌های هوش مصنوعیِ خوانش اسکن‌های سه‌بعدی CT، یافته‌های نوشتاری را به آناتومی درست مرتبط می‌کنند یا نه. در این آزمون‌ها اسکن‌ها با حذف اندام‌ها، جایگزینی ضایعات یا تغییر جهت چپ و راست دست‌کاری می‌شوند تا خطاهای تطبیق آشکار شود؛ حتی در مدل‌هایی که امتیاز طبقه‌بندی بالایی دارند.

به گفته پژوهشگران، مدل آن‌ها که فقط با داده‌های عمومی آموزش دیده، به دقت 77% در تشخیص سمت چپ و راست رسیده است؛ در حالی که این رقم برای مدل‌های پیشین حداکثر 66% بود. در آزمون‌هایی که یک اندام حذف شد، مدل 96–99% از یافته‌های مربوط به آن اندام را پس گرفت؛ مدل‌های دیگر حداکثر 69% از این یافته‌ها را پس گرفتند.

## حقایق

- این معیارسنجی 12 نقطه‌وارسیِ رمزگذار بینایی و 7 مدل مولد بینایی‌ـ‌زبان را ارزیابی کرد.
- مقاله در 2026-11-19 در arXiv منتشر شد.

## چرا مهم است

برای تیم‌های رادیولوژی که هوش مصنوعی را برای اسکن‌های CT ارزیابی می‌کنند، ORGANIC3D آزمون‌هایی فراهم می‌کند تا مشخص شود یافته‌های مدل به آناتومی مرتبط وابسته‌اند یا نه؛ با این حال، مقاله نشان نمی‌دهد که این نتایج در عمل بالینی چه معنایی دارند.

## منابع و ارجاع‌ها

1. [ORGANIC3D: Grounding 3D CT Vision Language Models in Organ Level Image Text Coupling](https://arxiv.org/abs/2611.23529) – arXiv cs.CV, 2026-11-19

آخرین به‌روزرسانی: 2026-11-19
