Expert-level vision-language foundation model for real-world radiology and comprehensive evaluation

في المستشفى الحديث، يُعد مكتب طبيب الأشعة مكاناً للتركيز المكثف، حيث تمسح العين البشرية آلاف الصور للعثور على العلامات غير المرئية للأمراض. هذه الصور، التي تتراوح من صور الأشعة السينية المسطحة للصدر إلى المقاطع ثلاثية الأبعاد للغدة الدرقية، هي أكثر من مجرد صور؛ إنها مجموعات بيانات معقدة تتطلب فهماً عميقاً للتشريح وعلم الأمراض لتفسيرها بشكل صحيح. لعقود من الزمن، تم تدريب الحواسيب على رصد أنماط محددة في هذه الصور، لتعمل كأدوات متخصصة يمكنها تحديد كسر في العظام أو عقدة رئوية. ومع ذلك، كانت هذه الأدوات تقليدياً محدودة بمهام فردية، وغير قادرة على التحدث مع الطبيب أو شرح منطقها باللغة الطبيعية. ومؤخراً، ظهر جيل جديد من الذكاء الاصطناعي يجمع بين القدرة على الرؤية والقدرة على فهم وتوليد اللغة. تهدف هذه الأنظمة، المعروفة بنماذج الرؤية واللغة (vision-language models)، إلى سد الفجوة بين العالم المرئي للتصوير الطبي والعالم النصي للتقارير السريرية، مقدمةً وعداً بمساعد لا يكتفي فقط برؤية ما يراه الطبيب، بل يصفه أيضاً ببراعة الخبير البشري.

لقد قدم فريق من الباحثين الآن نظاماً جديداً يسمى "RadFound"، صُمم خصيصاً لإتقان لغة الأشعة المعقدة. وخلافاً للمحاولات السابقة التي اعتمدت على المعرفة العامة أو التعديلات البسيطة للأدوات الموجودة، بُني هذا النموذج الجديد على بنية "BLIP-2" ولكن تم صقله باستخدام مجموعة ضخمة من البيانات الطبية. جمع الباحثون أكثر من 8.1 مليون صورة طبية و250,000 زوج من الصور وأوصافها النصية المقابلة. تغطي هذه المجموعة 19 نظاماً رئيسياً من أعضاء الجسم و10 أنواع من تقنيات التصوير، مما يضمن تعلم النموذج من مجموعة متنوعة من الحالات الواقعية بدلاً من اختيار ضيق. ولتعليم النظام كيفية الرؤية كمتخصص، طور الفريق طريقة تدريب فريدة تجبر النموذج على النظر إلى صورة، ثم إخفاء أجزاء منها، ومن ثم إعادة بناء التفاصيل المفقودة مع مقارنتها أيضاً بصور أخرى ذات صلة. تساعد هذه العملية الحاسوب ليس فقط على تعلم التفاصيل الدقيقة لمسح واحد، بل وأيضاً السياق الأوسع لكيفية ارتباط الصور المختلفة ببعضها البعض، محاكياً بذلك الطريقة التي يقارن بها طبيب الأشعة مسحاً حالياً بسجلات المريض السابقة.

كما تعلم النظام ربط هذه الرؤى البصرية باللغة من خلال عملية محاذاة متخصصة. فبدلاً من مجرد مطابقة الكلمات بالصور، تم تدريب النموذج على بيانات حيث نُسجت الصور والنصوص معاً بترتيب محدد، مما علمه فهم تدفق التقرير الطبي. كما تعلم التعامل مع التعليمات التي قد تتضمن النظر في صور متعددة في وقت واحد، مثل مقارنة صورة أشعة للثدي من زاويتين مختلفتين أو تحليل مسح مقطعي ثلاثي الأبعاد للغدة الدرقية. تتيح هذه القدرة للنموذج معالجة الأسئلة السريرية المعقدة، مثل طلب مقارنة بين مسح حالي وآخر سابق، أو طلب وصف تفصيلي للنتائج عبر أجزاء مختلفة من الجسم. واختبر الباحثون هذا النظام على مجموعة جديدة من التحديات التي أنشأوها، والتي شملت الإجابة على أسئلة حول الصور الطبية، وكتابة تعليقات قصيرة، وتوليد تقارير تشخيصية كاملة لصور الأشعة السينية للصدر، وأشعة الثدي، ومسحات الغدة الدرقية.

أظهرت نتائج هذه الاختبارات أن النموذج الجديد تفوق بشكل كبير على الأنظمة الحالية التي لم تكن مصممة خصيصاً للأشعة. فعند سؤاله عن صور طبية، قدم النموذج إجابات صحيحة في كثير من الأحيان أكثر من منافسيه، حتى عندما كانت الأسئلة معقدة أو تتطلب مقارنة بين عدة زوايا. وفي المهام التي كان على النموذج فيها توليد نصوص، أنتج تقارير لم تكن صحيحة قواعدياً فحسب، بل كانت دقيقة سريرياً أيضاً. وقد قاس الباحثون هذا النجاح باستخدام مقاييس حاسوبية قياسية، لكنهم ذهبوا إلى أبعد من ذلك بجعل أطباء بشريين يقيمون التقارير. وفي هذه التقييمات، تم تصنيف مخرجات النموذج بناءً على القابلية للقراءة، والمنطق الطبي، والقدرة على رصد التشوهات الهامة. وكشفت النتائج أن أداء النموذج وصل إلى مستوى يضاهي كبار أطباء الأشعة الذين لديهم خبرة تزيد عن عشر سنوات، وفي بعض الحالات، تفوق على الأطباء المبتدئين. وهذا يشير إلى أن النظام قد وصل إلى مستوى من الخبرة حيث يمكنه نظرياً أن يعمل كشريك موثوق في سير العمل السريري، قادراً على التعامل مع المهام المتنوعة والمتطلبة للأشعة الحديثة.

وعلى الرغم من هذه النتائج المثيرة للإعجاب، يحرص الباحثون على ملاحظة أن هذا العمل هو خطوة كبيرة للأمام وليس حلاً نهائياً. فهم يقرون بأنه بينما يؤدي النموذج أداءً جيداً في الاختبارات المحكومة، فإن الدمج الواقعي لمثل هذه التكنولوجيا في الممارسة المستشفوية اليومية يتطلب مزيداً من الاستقصاء. فقد اعتمد التقييم الحالي بشكل كبير على خبراء بشريين للحكم على جودة التقارير، وهي عملية دقيقة ولكنها تستغرق وقتاً طويلاً ويصعب توسيع نطاقها. ويقترح الفريق أن العمل المستقبلي يجب أن يركز على تطوير طرق أفضل لقياس القيمة السريرية لهذه التقارير تلقائياً دون الاعتماد كلياً على التقييم البشري. علاوة على ذلك، يبقى التأثير الفعلي لاستخدام هذا النظام جنباً إلى جنب مع الأطباء البشريين في بيئة مستشفى مزدحمة أمراً قيد الانتظار. ومع ذلك، فإن تطوير "RadFound" يثبت أنه من الممكن إنشاء ذكاء اصطناعي يفهم التعقيد الفريد للتصوير الطبي، مما يقدم أداة جديدة قوية يمكنها يوماً ما مساعدة الأطباء في تقديم رعاية أسرع وأكثر دقة للمرضى.