→ العودة إلى الصفحة الرئيسية

الذكاء الاصطناعي الطبي يشمل 10 أنواع من التصوير: EVLF-FM يربط الإجابات التشخيصية بمواقع الآفات

من التعرّف على الأمراض إلى تحديد الأدلة في الصور، يحاول EVLF-FM تسهيل التحقق من أحكام الذكاء الاصطناعي الطبي. وتُظهر الدراسة إمكانات عبر مهام التصوير المختلفة، لكن النتائج على مجموعات الاختبار لا تزال بعيدة عن جعله مساعدًا موثوقًا في العيادة.

By SURL BioNews

إذا اكتفى الذكاء الاصطناعي للتصوير الطبي بإعطاء اسم المرض، فسيظل الطبيب مضطرًا إلى السؤال: ما الذي رآه بالضبط؟ أدخلت دراسة نُشرت في 29 أكتوبر في مجلة «Nature Medicine» هذا السؤال ضمن تصميم النموذج. ويجمع EVLF-FM، الذي طوّره فريق البحث، بين التعرّف على الأمراض والإجابة عن الأسئلة المتعلقة بالصور وتحديد مواقع الآفات، بهدف تمكين المستخدمين من مطابقة الأحكام النصية مع مناطق محددة في الصور.

وفقًا للدراسة المنشورة رسميًا، استُخدم ما يزيد على 1.3 مليون عينة إجمالًا في تطوير النموذج واختباره، وشملت 10 أنواع من التصوير، مع استخدام 13,443 عينة إضافية للتحقق الخارجي. وبلغ متوسط دقة التشخيص في التحقق الداخلي 89.5%. ويصف هذا الرقم متوسط الأداء ضمن إعدادات الدراسة، ولا يمكن تفسيره مباشرة على أن النموذج يتمتع بالقدرة نفسها على التعرّف على جميع الأمراض وفي صور جميع المستشفيات.

تتمثل قدرة أساسية أخرى لدى EVLF-FM في ربط الإجابات بمواقع في الصور. فإلى جانب الإجابة عن الأسئلة المتعلقة بالصور، يستطيع النموذج تحديد المناطق ذات الصلة على مستوى البكسل، مما يتيح التحقق مما إذا كان حكمه يتوافق مع الآفات المرئية. وتوفر طريقة العرض هذه مؤشرات تساعد على التحقق؛ لكن ظهور التحديد بصورة معقولة لا يعني أن التشخيص صحيح، كما لا يكفي تفسير سلس وحده لتأكيد موثوقية الاستدلال.

ويوضح مستودع الشيفرة الرسمي لفريق البحث أن التدريب يبدأ بالضبط الدقيق الخاضع للإشراف باستخدام صور طبية وبيانات نصية، ثم يستخدم أسلوبًا للتعلّم المعزّز يُسمى GRPO، مع تضمين مكافآت لأداء المهام واتساق الاستدلال السريري معًا. ويهدف هذا التصميم إلى جعل النموذج يراعي الإجابات والتفسيرات معًا، بحيث يعمل التشخيص والإجابة عن الأسئلة وتحديد المواقع ضمن نظام واحد.

وعند تفسير النتائج، ينبغي أيضًا التمييز بين إصدارات الدراسة. فقد ذكرت المسودة الأولية التي نشرها المؤلفون على arXiv في سبتمبر 2025 استخدام 23 مجموعة بيانات للتطوير، و11 نوعًا من التصوير، و8,884 عينة للاختبار الخارجي، مع متوسط دقة تشخيص داخلية بلغ 85.8%. وتختلف هذه الأرقام المبكرة عن أرقام الورقة المنشورة رسميًا، ولا يجوز الاستشهاد بها بصورة مختلطة، كما لا يمكن الاستناد إلى الفارق بين نسبتي الدقة وحده لاستنتاج مقدار تحسّن النموذج في ظل الظروف نفسها.

أتاح الفريق شيفرة التدريب والتقييم، إلى جانب أوزان النموذج القابلة للتنزيل، مما يوفر للباحثين الآخرين مدخلًا لفحص المنهجية. لكن مستودع الشيفرة الرسمي ينص تحديدًا على أن إصدار النموذج المتاح دُرّب باستخدام مجموعات بيانات عامة. ولذلك، فإن معرفة ما إذا كان النموذج الذي يمكن تنزيله قادرًا على إعادة إنتاج مختلف نتائج الورقة المنشورة رسميًا لا تزال تتطلب التحقق من البيانات المستخدمة وإصدار النموذج وظروف التقييم.

أما سريريًا، فالخطوة التالية هي التأكد من قدرة هذه الإمكانات على تحسين الرعاية الفعلية. ولا تزال الدراسة بحاجة إلى التحقق في بيئات طبية أكثر تنوعًا، وإلى دراسات سريرية استباقية لتقييم السلامة والفعالية والفائدة العملية. إن شمول أنواع متعددة من التصوير وتوفير أدلة بصرية قابلة للتحقق يمنحان EVLF-FM قيمة تستحق مزيدًا من البحث؛ أما قدرته على أن يصبح أداة للتشخيص والعلاج اليوميين، فتحتاج إلى إجابة تستند إلى أدلة من سير العمل الفعلي.

References

  1. Nature Medicine
  2. EVLF-FM research team / GitHub
  3. arXiv