Ин таҳқиқот баррасӣ кардааст, ки оё модели визуалии асосии DINOv2, ки пешакӣ дар тасвирҳои дуандоза омӯзонида шудааст, метавонад барои таснифи ҳаҷмҳои сеандозаи MRI-и майна истифода шавад. Ҳар ҳаҷми MRI ба буришҳои меҳварии дуандоза ҷудо карда шуд, аз ҳар буриш бо DINOv2 вектори хусусият гирифта шуд ва ин хусусиятҳо бо механизми омӯхташавандаи диққати нарм ба як ифодаи ягонаи ҳаҷм табдил дода шуданд. Чаҳорчӯбаи пешниҳодшуда дар маҷмӯаи додаҳои Alzheimer’s Disease Neuroimaging Initiative %89,3 дақиқӣ ва %95,6 AUROC; дар когорти чандсинфии дарди сар бошад %78,6 дақиқӣ ва %89,2 AUROC гузориш кардааст. Бо вуҷуди ин, таҳқиқот аз арзёбии ҳамтоён нагузаштааст; манбаи додаҳои муассисавӣ, протоколҳои тасвиргирӣ ва тафсилоти тасдиқи беруна нокифояанд. Илова бар ин, озмоишҳо бештар таснифи назоратшавандаи синфҳои пешакӣ муайяншударо чен мекунанд, на ошкоркунии воқеии аномалияи номаълум.

Равиши асосии модел ин аст, ки ба ҷойи омӯзонидани шабакаи нейронии сеандоза аз сифр, ҳар буриши MRI бо модели тайёри дуандозаи асосӣ ифода карда шавад. Сипас низом ба ҷойи муносибати баробар ба ҳамаи буришҳо, ба буришҳое, ки барои таснифот иттилооти бештар доранд, вазни баландтар медиҳад. Ҳангоми омӯзиш ба cross-entropy loss омӯзиши contrastive-и назоратшаванда ва regularization-и variance дохили синф илова шудааст. Ин сохтор ҳадаф дорад, ки дар шароити шумораи ками намунаҳои тамғагузоришуда ва синфҳои номутаносиб ифодаҳои ҳаҷмии фарқкунанда тавлид кунад.

Аз нигоҳи Туркия: Ин равиш барои таҳқиқоти радиологии Туркия аз ҷиҳати таҳияи моделҳои таснифи MRI-и майна бо додаҳои маҳдуди тамғагузоришуда, коркарди тасвирҳои сеандоза аз беморхонаҳои гуногун бо хароҷоти ҳисоббарории камтар ва арзёбии низомҳои дастгирии қарор барои мақсадҳои тадқиқотӣ аҳамият дорад. Аммо пеш аз баррасии истифодаи клиникӣ дар Туркия бояд бо додаҳои маҳаллии бисёрмарказӣ тасдиқи беруна, таҳлили устуворӣ дар MRI-дастгоҳҳо ва протоколҳои гуногуни тасвиргирӣ, муқоиса бо радиологҳо, равандҳои ҳифзи дода ва кумитаи этикӣ, калибровкаи модел ва арзёбии клиникии оянданигар анҷом дода шаванд. Аз ин таҳқиқот наметавон муваффақияти ташхисӣ дар беморони Туркия, истифодаи бехатар дар беморхонаҳои Туркия ё беҳбудии натиҷаҳои клиникиро хулоса кард.

Саволи асосии таҳқиқот чист?

Саволи асосии таҳқиқот ин аст, ки модели асосии дуандозае, ки пешакӣ дар тасвирҳои табиӣ омӯзонида шудааст, чӣ гуна метавонад ба вазифаҳои таснифоти тасвирҳои тиббии сеандоза интиқол дода шавад. Додаҳои MRI-и сеандоза сохтори ҳаҷмӣ доранд, дар ҳоле ки моделҳои маъмули визуалии асосӣ ба монанди DINOv2 бо тасвирҳои дуандоза кор мекунанд. Аз ин рӯ, танҳо таснифи ҳар буриш ба таври ҷудогона метавонад боиси гум шудани контексти ҳаҷмии байни буришҳои ҳамсоя гардад.

Таҳқиқот пешниҳод мекунад, ки ин мушкил бо муттаҳид кардани хусусиятҳои аз ҳар буриши дуандоза гирифташуда тавассути вазнҳои омӯхташавандаи диққат ҳал карда шавад. Ҳадаф ба ҷойи гирифтани миёнаи оддии ҳамаи буришҳо зиёд кардани таъсири буришҳое мебошад, ки барои фарқ кардани беморӣ ё синф муҳимтар омӯхта шудаанд.

Чаро таҳқиқот муҳим аст?

Моделҳои тиббии сеандоза одатан шумораи зиёди таҳқиқоти тамғагузоришуда, иқтидори баланди ҳисоббарорӣ ва хотираи зиёд талаб мекунанд. Тамғагузории тасвирҳои тиббӣ аз ҷониби мутахассисон гарон ва вақти зиёдталаб аст. Азбаски ҳолатҳои нодир боз ҳам камтаранд, номутаносибии синфҳо метавонад ба вуҷуд ояд.

Таҳқиқот ба ҷойи омӯзонидани модели калони сеандоза аз аввал, модели пешакӣ омӯзонидашудаи DINOv2-ро ҳамчун extractor-и хусусияти яхкардашуда истифода кардааст. Ҳамин тавр, танҳо модули диққат ва сарлавҳаи тасниф дар додаҳои вазифа омӯзонида шудаанд. Ин интихоб ҳадаф дорад, ки дар шароити додаҳои кам хавфи overfitting ва шумораи параметрҳои омӯзишшавандаро кам кунад.

Модели DINOv2 чӣ гуна кор мекунад?

DINOv2 модели Vision Transformer мебошад, ки бо омӯзиши self-supervised бе зарурати label пешакӣ омӯзонида шудааст. Дар таҳқиқот версияи ViT-Base бо 86 миллион параметр истифода шудааст. Модел тасвирро ба қисмҳои хурд ҷудо карда, муносибатҳои байни ин қисмҳоро тавассути механизми self-attention ифода мекунад.

Ҳар ҳаҷми MRI-и майна ба буришҳои меҳварӣ ҷудо шудааст. Буришҳо пас аз resizing, normalization ва табдил ба формати тасвире, ки модел интизор аст, ба DINOv2 дода шуданд. Барои ҳар буриш аз қабати пеш аз охирини модел вектори хусусият гирифта шудааст. Вазнҳои DINOv2 ҳангоми омӯзиш тағйир дода нашудаанд.

Муттаҳидсозии глобалии ба диққат асосёфта чист?

Муттаҳидсозии глобалии ба диққат асосёфта ба фарзияе такя мекунад, ки буришҳои гуногуни MRI ҳатман ба таснифи сатҳи ҳаҷм саҳми баробар намегузоранд. Баъзе буришҳо метавонанд хусусиятҳои анатомӣ ё патологиро дошта бошанд, ки фарқи байни синфҳоро таъмин мекунанд, дар ҳоле ки баъзе буришҳо маълумоти камтар доранд.

Модули диққати таҳқиқот вектори хусусияти DINOv2-и ҳар буришро ба perceptron-и бисёрқабатаи якқабата мефиристад. Ин модул бо андозаи пинҳонии 256 барои ҳар буриш холи аҳамият истеҳсол мекунад. Softmax холҳоро ба вазнҳое табдил медиҳад, ки ҷамъашон 1 аст. Ифодаи ҳаҷм ҷамъбасти вазндори хусусиятҳои буриш бо ҳамин вазнҳо мебошад.

1. Ҳаҷми MRI-и сеандоза ба буришҳои меҳварии дуандоза ҷудо мешавад.
2. Барои ҳар буриш вектори хусусияти DINOv2 гирифта мешавад.
3. Модули диққат ба ҳар буриш холи аҳамияти вобаста ба мундариҷа медиҳад.
4. Softmax холҳоро ба вазнҳои муқоисашаванда табдил медиҳад.
5. Хусусиятҳои буриш ба таври вазндор ҷамъ карда шуда, як вектори ҳаҷм ба даст меояд.
6. Вектори ҳаҷм ба сарлавҳаи тасниф дода мешавад.

Ин усул дар муқоиса бо миёнагирии оддӣ метавонад таъсири буришҳои каммаълумотро кам кунад. Бар хилофи max pooling, танҳо ба як буриш ё як арзиши хусусият такя намекунад. Бо вуҷуди ин, он модели пурраи фазоии сеандозае нест, ки тартиби буришҳоро нигоҳ дорад; муносибатҳои геометрии байни буришҳои ҳамсоя ошкоро модел нашудаанд.

Ҳадафи омӯзиши таркибӣ чиро дар назар дорад?

Таҳқиқот се ҷузъи loss-ро якҷоя истифода кардааст:

• Cross-entropy loss: Номувофиқии байни эҳтимолияти синфҳои пешгӯишуда ва label-ҳои воқеии синфро кам мекунад.
• Омӯзиши contrastive-и назоратшаванда: Ифодаҳои ҳаҷмии як синфро дар фазои хусусият ба ҳам наздик ва синфҳои гуногунро аз ҳам дур мекунад.
• Regularization-и variance дохили синф: Ҳадаф дорад, ки байни ифодаҳои намунаҳои як синф тағйирёбии аз ҳад зиёд пайдо нашавад.

Барои contrastive loss вазни 0,5 ва барои regularization-и variance дохили синф вазни 0,1 истифода шудааст. Параметри temperature-и contrastive learning 0,1 муайян шудааст. Формулаи математикӣ ва равшани loss-и умумӣ дар таҳқиқот дода нашудааст; аз ин рӯ, берун аз тавсифи калимавии ҷузъҳо сохтани формулаи нав дуруст нест.

Кадом маҷмӯаҳои дода истифода шуданд?

Маҷмӯаи додаи аввал коллексияи Alzheimer’s Disease Neuroimaging Initiative (ADNI) мебошад, ки дар таҳқиқоти бемории Alzheimer истифода мешавад. Дар таҳқиқот шахсони normal бо синфи бемории Alzheimer муқоиса шуданд. Барои ҳар ду синф 190 нафарӣ ва дар маҷмӯъ 380 таҳқиқот гузориш шудааст.

Маҷмӯаи додаи дуюм когорти муассисавӣ мебошад, ки аз синфҳои normal control, migraine, tension-type headache ва cluster headache иборат аст. Шумораи умумии намунаҳо 410 аст. Аммо номи муассисае, ки додаҳо дар он ҷамъ шудаанд, меъёрҳои label, хусусиятҳои демографии беморон ва протоколи imaging дар таҳқиқот шарҳ дода нашудаанд.

Додаҳо дар сатҳи шахс ба маҷмӯаҳои омӯзиш, validation ва test тақсим шудаанд. Барои пешгирии паҳн шудани буришҳои як шахс ба маҷмӯаҳои гуногун, гуфта шудааст, ки тақсимот дар сатҳи шахс анҷом шудааст. Ин равиш барои пешгирии data leakage дар сатҳи буриш муҳим аст.

Натиҷаҳои асосӣ чиро нишон медиҳанд?

Чаҳорчӯбаи пешниҳодшуда дар ҳар ду маҷмӯаи дода нисбат ба панҷ усули муқоисавии асосии истифодашуда дар таҳқиқот натиҷаи баландтар додааст. Дар test-и ADNI дақиқӣ %89,3, F1 score %89,3 ва AUROC %95,6 гузориш шудааст. Дар когорти дарди сар дақиқӣ %78,6, F1 score %78,6 ва AUROC %89,2 мебошад.

Дар маҷмӯаи ADNI усули пешниҳодшуда нисбат ба baseline-и ImageNet transfer 2,5 банди фоизӣ ва нисбат ба 3Б CNN-и аз сифр омӯзонидашуда 3,7 банди фоизӣ дақиқии баландтар додааст. Дар когорти дарди сар фарқ нисбат ба ImageNet transfer 4,5 банди фоизӣ ва нисбат ба 3Б CNN 5,8 банди фоизӣ мебошад. Аммо барои аҳамияти омории ин фарқҳо санҷиши муқоисавии алоҳида ё p-value пешниҳод нашудааст.

Иҷроиш байни синфҳои дарди сар чӣ гуна тағйир ёфт?

Дар когорти дарди сар баландтарин F1 score дар синфи migraine %81,0 ва пасттарин F1 score дар синфи cluster headache %72,1 гузориш шудааст. Синфи cluster headache ҳамзамон камтарин намунаи омӯзиш ва test-ро дорад. Ин натиҷа нишон медиҳад, ки иҷроиш дар синфҳои хурдтар бояд алоҳида арзёбӣ шавад; аммо таҳқиқот байни андозаи синф ва меъёри хато таҳлили сабабӣ анҷом надодааст.

Озмоишҳои ablation нишон медиҳанд, ки кадом ҷузъ муҳимтар аст?

Дар озмоишҳои ablation калонтарин коҳиш ҳангоми хориҷ кардани механизми диққат дида шуд. Хориҷ кардани диққат дақиқии ADNI-ро аз %89,3 то %86,8 ва дақиқии дарди сарро аз %78,6 то %75,2 паст кардааст. Ба ибораи дигар, саҳми модули диққат дар ду маҷмӯаи дода мутаносибан 2,5 ва 3,4 банди фоизӣ ҳисоб мешавад.

Хориҷ кардани contrastive learning дақиқиро дар ADNI 1,8 ва дар когорти дарди сар 2,3 банди фоизӣ коҳиш додааст. Таъсири regularization-и variance дохили синф маҳдудтар буд; коҳишҳо мутаносибан 1,2 ва 1,5 банди фоизӣ мебошанд. Ин муқоисаҳо нишон медиҳанд, ки ҷузъҳо бо натиҷаи модел алоқаманданд. Аммо азбаски run-ҳои гуногуни омӯзиш, оғозҳои тасодуфӣ ва муқоисаҳои оморӣ ба таври муфассал гузориш нашудаанд, дақиқии саҳмҳо маҳдуд аст.

Таҳқиқот кадом натиҷаҳоро дастгирӣ мекунад?

• Хусусиятҳои буриши дуандоза, ки аз DINOv2 гирифта шудаанд, метавонанд бо механизми омӯхташавандаи диққат дар сатҳи ҳаҷм муттаҳид карда шаванд.
• Сохтори пешниҳодшуда дар тақсимоти додаҳои истифода‌шуда дар таҳқиқот нисбат ба миёнаи оддӣ, max pooling, 2Б CNN, 3Б CNN ва baseline-ҳои стандартии transfer learning натиҷаи баландтар дод.
• Дар натиҷаҳои ablation калонтарин саҳми як ҷузъи алоҳида дар вазнгузории буришҳо ба асоси диққат дида шуд.
• Contrastive learning ва regularization-и variance дохили синф ба натиҷаҳои модели пурра саҳми иловагӣ гузоштанд.
• Иҷроиши модел дар вазифаи дусинфии ADNI нисбат ба вазифаи чорсинфии дарди сар баландтар буд.

Таҳқиқот чиро исбот намекунад?

• Исбот намекунад, ки модел метавонад ташхиси клиникӣ гузорад ё ҷойи радиологро гирад.
• Нишон намедиҳад, ки модел метавонад бемориҳои нав ё аномалияҳои номаълумеро, ки ҳангоми омӯзиш надидааст, ошкор кунад.
• Нишон намедиҳад, ки таснифи дарди сар дар беморхонаҳо, дастгоҳҳо ё гурӯҳҳои бемории гуногун ҳамон натиҷаро медиҳад.
• Арзиши баланди AUROC маънои онро надорад, ки модел дар клиника бехатар, калибршуда ё беҳбуди натиҷаҳои беморонро таъмин мекунад.
• Исбот нашудааст, ки вазнҳои диққат механизми воқеии беморӣ ё муносибати сабабии анатомиро нишон медиҳанд.
• Барои гурӯҳҳои беморон ё муассисаҳои тандурустии Туркия натиҷаи мустақим пешниҳод намекунад.

Камбудии шарҳҳои визуалӣ чӣ маъно дорад?

Таҳқиқот мегӯяд, ки шакли якум вазнҳои диққати буришҳоро дар намунаҳои ADNI ва шакли дуюм проексияи t-SNE-и ифодаҳои ҳаҷмиро нишон медиҳад. Тибқи матн, модел ба буришҳои миёнаи майна, ки бо атрофияи hippocampus ва васеъшавии ventricles дар бемории Alzheimer алоқаманд дониста мешаванд, вазни баландтар додааст. Ҳамчунин иддао мешавад, ки тасвири t-SNE ҷудошавии байни синфҳои normal ва Alzheimer-ро нишон медиҳад.

Аммо дар версияи боршуда танҳо сарлавҳаҳои ҳар ду шакл мавҷуданд; каҷҳои диққат, буришҳои MRI ва графики t-SNE намоён нестанд. Аз ин рӯ, тафсирҳои визуалии матнро мустақилона санҷидан имкон надошт. Илова бар ин, вазни диққат худ аз худ набояд ҳамчун далели клиникии боэътимод барои сабаби қарори модел қабул шавад.

Ҷиҳатҳои қавии таҳқиқот кадомҳоянд?

• Ду маҷмӯаи дода ва ду сатҳи гуногуни душвории тасниф истифода шудаанд.
• Гуфта шудааст, ки тақсимоти дода дар сатҳи шахс анҷом шудааст.
• Ба ҷойи як baseline-и оддӣ панҷ усули муқоисавии гуногун пешниҳод шудаанд.
• Диққат, contrastive learning ва variance regularization бо озмоишҳои алоҳидаи ablation арзёбӣ шудаанд.
• Ғайр аз дақиқӣ, precision, recall, F1 ва AUROC низ гузориш шудаанд.
• Барои арзёбии тағйирпазирии натиҷаҳо истифодаи bootstrap бо 1.000 итератсия зикр шудааст.

Маҳдудиятҳои таҳқиқот кадомҳоянд?

Муҳимтарин маҳдудият норасоии тафсилоте мебошад, ки барои бозтавлиди пурраи дода ва таҷрибаҳо лозиманд. Манбаи когорти муассисавӣ, интихоби беморон, раванди label, хусусиятҳои дастгоҳ, sequence-ҳои MRI ва дастрасӣ ба дода шарҳ дода нашудаанд. Қадамҳои preprocessing дар сатҳи умумӣ дода шудаанд; нармафзор ва параметрҳое, ки барои skull stripping, atlas registration, resampling ва intensity normalization истифода шуданд, нишон дода нашудаанд.

Додаҳои берун аз ADNI ба як когорти муассисавӣ асос ёфтаанд. Тасдиқи берунаи бисёрмарказӣ вуҷуд надорад. Калибровкаи модел, decision threshold, шумораи false positive ва false negative, confusion matrix, specificity ва positive predictive value — ҷузъҳои муҳим барои тафсири клиникӣ — пешниҳод нашудаанд.

Гарчанде дар таҳқиқот ибораи “anomaly detection” истифода шудааст, усул низоми one-class ё unsupervised нест, ки инҳироф аз додаҳои normal-ро ба таври кушода муайян кунад. Модел синфҳои ҳангоми омӯзиш муайяншударо аз ҳам ҷудо мекунад. Муҳаққиқ низ инро ҳамчун маҳдудият эътироф мекунад ва барои anomaly detection-и воқеӣ пешниҳод менамояд, ки дар оянда сохтори one-class танҳо бо додаҳои normal омӯзонида шавад.

Усул ва натиҷаҳои таҳқиқот

Омодасозии дода ва ҷараёни модел

Loss function ва data augmentation

Дар ҳадафи умумии омӯзиш cross-entropy ҳамчун ҷузъи асосӣ истифода шудааст. Supervised contrastive loss бо вазни 0,5 ва within-class variance regularization бо вазни 0,1 илова шудаанд. Ба додаҳо random rotation, translation ва intensity transformation татбиқ шудаанд. Аммо диапазон ва эҳтимолияти transformation-ҳо гузориш нашудаанд.

Меъёрҳои арзёбӣ

• Дақиқӣ: Таносуби намунаҳои test-и дуруст таснифшуда ба ҳамаи намунаҳо.
• Precision: Нишон медиҳад, ки аз намунаҳои ба як синф тааллуқдошта пешгӯишуда чандто воқеан ба ҳамон синф тааллуқ доранд.
• Recall: Нишон медиҳад, ки аз намунаҳои воқеии синф чандто аз ҷониби модел гирифта шудаанд.
• F1 score: Миёнаи гармоникии precision ва recall мебошад.
• AUROC: Қобилияти моделро барои ҷудо кардани синфҳо дар decision threshold-ҳои гуногун ҷамъбаст мекунад.

Гуфта шудааст, ки metric-ҳо барои ҳар синф ҳисоб карда шуда, баъд миёна гирифта шудаанд. Барои арзёбии uncertainty 1.000 bootstrap iteration истифода шудааст. Аммо равшан навишта нашудааст, ки арзишҳои “±” дар ҷадвалҳо кадом сатҳи confidence-ро ифода мекунанд.

Тафсири техникии натиҷаҳо

AUROC-и %95,6 дар вазифаи ADNI нишон медиҳад, ки модел дар test set-и истифодашуда барои ranking-и синфҳои normal ва Alzheimer ҷудошавии қавӣ тавлид кардааст. Аммо test set танҳо аз 80 нафар иборат аст. AUROC ба танҳоӣ шумораи false negative ва false positive-ро дар decision threshold-и муайяни клиникӣ нишон намедиҳад.

AUROC-и %89,2 ва accuracy-и %78,6 дар когорти дарди сар нишон медиҳанд, ки вазифаи чорсинфӣ нисбат ба вазифаи дусинфии ADNI душвортар аст. Пасттарин иҷроиши синф дар cluster headache дида шуд. Азбаски test set-и ин синф танҳо 15 нафарро дар бар мегирад, uncertainty-и ченакҳо метавонад нисбат ба дигар синфҳо баландтар бошад.

Таҳлилҳои ablation дастгирӣ мекунанд, ки механизми диққат таъсирбахштарин ҷузъи иловагии модел аст. Бо вуҷуди ин, таҳқиқот муқоисаи ҳамаҷонибаро бо architecture-ҳои гуногуни диққат, 3Б foundation model-ҳо ё foundation model-ҳои пешакӣ дар тасвирҳои тиббӣ омӯзонидашуда анҷом надодааст. Аз ин рӯ, натиҷаҳо нишон намедиҳанд, ки равиши диққат аз ҳамаи алтернативаҳо беҳтар аст; онҳо танҳо нишон медиҳанд, ки дар муқоиса бо baseline-ҳои интихобшуда натиҷаи баландтар додааст.

Ёддошт оид ба манбаъ ва усул

Номи пурраи аслии таҳқиқот: Leveraging Foundation Models for 3D Image Anomaly Detection

Муаллиф: Michael Harris

Тартиби муаллифон: Таҳқиқоти якмуаллифӣ

Муаллифи ҳамаввал: Нест.

Муаллифи масъул: Дар сабти SSRN Michael Harris ҳамчун муаллифи тамос нишон дода шудааст.

Муассиса: The University of Texas at Austin, Texas, ИМА

DOI:10.2139/ssrn.6979438

Маҷалла: Таҳқиқот дар маҷалла нашр нашудааст.

Ношир: Маълумоти ношири аслии маҷалла мавҷуд нест.

Платформа: SSRN

Соли нашр: 2026

Навъи манбаъ: Preprint бо хусусияти таҳқиқоти таҷрибавии machine learning

Вазъи ҳамтоёнӣ: Ин таҳқиқот preprint аст ва аз арзёбии ҳамтоён нагузаштааст; натиҷаҳо бояд бо дарназардошти ин маҳдудият хонда шаванд.

Пайванди расмӣ:Саҳифаи таҳқиқоти SSRN

Ин мақола бо баррасии аз аввал то охири таҳқиқоти боршудаи 37-саҳифа омода шудааст. Усули илмӣ, шумораи додаҳо ва натиҷаҳои performance танҳо ба маълумоти гузоришшуда дар таҳқиқот асос ёфтаанд. Ягон даъвои клиникии муваффақият, бехатарии ташхисӣ ё иҷроиши хос ба Туркия, ки дар таҳқиқот вуҷуд надорад, илова нашудааст.

Дар шахсияти манбаъ як номувофиқатие ҳаст, ки бояд равшан карда шавад: муқоваи намоёни таҳқиқот ва сабти SSRN Michael Harris-ро ҳамчун муаллиф нишон медиҳанд, дар ҳоле ки дар майдони муаллифи metadata-и техникии файл номи дигар мавҷуд аст. Илова бар ин, манбаи когорти муассисавии дарди сар, протоколҳои imaging, раванди муфассали этикӣ ва шартҳои дастрасӣ ба дода шарҳ дода нашудаанд.

Таҳқиқот кори тасдиқи клиникӣ нест. Модел бо radiologist-ҳо муқоиса нашудааст, дар муҳити клиникии оянданигар санҷида нашудааст, дар беморхонаҳои гуногун аз тасдиқи беруна нагузаштааст ва таъсири он ба натиҷаҳои беморон арзёбӣ нашудааст. Натиҷаҳо танҳо барои маҷмӯаҳои дода, тақсимоти дода ва шароити таҷрибавии гузоришшуда эътибор доранд.