TemMed-Bench: Evaluating Temporal Medical Image Reasoning in Vision-Language Models

تخيل أنك تحاول حل لغز، ولكن بدلاً من وجود دليل واحد، لديك جدول زمني كامل من الأدلة. في عالم الذكاء الاصطناعي، هناك نوع خاص من الأدمغة الروبوتية يسمى "نموذج الرؤية واللغة". فكر في هذه النماذج كأنها محققون أذكياء للغاية يمكنهم النظر إلى صورة وقراءة قصة في آن واحد. لفترة طويلة، تم اختبار هؤلاء المحققين فقط على ألغاز "اللقطة الواحدة": حيث ينظرون إلى صورة واحدة لمريض ويحاولون تخمين ما الخطب به. ولكن في العالم الحقيقي، لا يكتفي الأطباء بالنظر إلى صورة واحدة؛ بل هم مثل المحققين الذين يراجعون ملف قضية. فهم يقارنون بالأشعة السينية الحالية للمريض مع صور من الشهر الماضي، أو العام الماضي، أو حتى يوم أمس، ليروا ما إذا كان المريض يتحسن، أو تسوء حالته، أو تظل كما هي. تقدم هذه الورقة البحثية اختباراً جديداً وأكثر صعوبة لهؤلاء المحققين من الذكاء الاصطناعي ليروا ما إذا كان بإمكانهم حقاً تتبع التغييرات بمرور الوقت، بدلاً من مجرد التخمين بناءً على لحظة واحدة.

أدرك الباحثون وراء هذه الدراسة، والتي نُشرت في مؤتمر COLM 2026، أنهم أنشأوا تحدياً جديداً يسمى TEMMED-BENCH. لقد أدركوا أن معظم اختبارات الذكاء الاصطناعي كانت سهلة للغاية لأنها كانت تعرض للذكاء الاصطناعي صورة واحدة فقط في كل مرة. في الحياة الواقعة، يحتاج الطبيب إلى رصد التحولات الطفيفة، مثل ظل على الرئة أصبح أكبر قليلاً أو كسر بدأ في الالتئام. وللاختبار ما إذا كان بإمكان الذكاء الاصطناعي القيام بذلك، بنى الفريق "صالة تدريب" ضخمة لنماذج الذكاء الاصطناعي. تتضمن هذه الصالة أكثر من 17,000 مثال من سجلات المرضى، حيث يحتوي كل مثال على صورتين (واحدة من زيارة سابقة والأخرى من الزيارة الحالية) وتقرير يصف بدقة كيف تغيرت حالة المريض بين الزيارتين.

وضع الفريق 12 نموذجاً مختلفاً من الذكتا الاصطناعي في هذه الصالة التدريبية، بما في ذلك النماذج الشهيرة "مغلقة المصدر" (مثل GPT-4 وClaude) والنماذج "مفتوحة المصدر". كانت النتائج بمثابة جرس إنذار. فعندما أُجبرت نماذج الذكاء الاصطناعي على العمل دون أي مساعدة خارجية (في إعداد "الكتاب المغلق")، عانت معظمها بشدة. وفي مهام الإجابة على الأسئلة البصرية، لم تكن أداء العديد من النماذج أفضل من التخمين العشوائي، وكأنها تقذف عملة معدنية لتحدد ما إذا كان المريض يتحسن أم لا. حتى أفضل النماذج، مثل GPT-4o-mini، لم تحصل إلا على حوالي 79% من الإجابات الصحيحة، بينما سجلت نماذج أخرى أقل من 60%. تشير الورقة إلى أن تدريب الذكاء الاصطناعي الحالي ببساطة لم يركز بما يكفي على مهارة مقارنة الصور عبر الزمن.

ومع ذلك، تصبح القصة أكثر إثارة عندما منح الباحثون الذكاء الاصطناعي "ورقة مرجعية". فقد جربوا تقنية تسمى تعزيز الاسترجاع (retrieval augmentation)، حيث يُسمح للذكاء الاصطناعي بالبحث عن حالات سابقة مشابهة من قاعدة بيانات قبل الإجابة. ولكن هنا تكمن المفاجأة: لم يكتفوا بجعل الذكاء الاصطناعي يقرأ التقارير النصية فحسب، بل سمحوا له أيضاً بالاطلاع على أزواج أخرى من الصور وتقاريرها. هذا النهج "متعدد الوسائط" (باستخدام الصور والكلمات معاً) حقق نتائج مذهلة. فبالنسبة لبعض النماذج، أدى إضافة هذه القرائن البصرية والنصية إلى تعزيز أدائها بنسبة تزيد عن 10%. وتبين أن عرض حالة مشابهة حيث تحسنت حالة المريض ساعد النموذج في معرفة كيفية رصد التحسن في الحالة الحالية.

تخلص الورقة إلى أنه بينما أصبح الذكاء الاصطناعي جيداً في النظر إلى الصور الفردية، إلا أنه لا يزال متعثراً في التفكير "الزمني" الذي يستخدمه الأطباء يومياً. وتدحض الدراسة الفكرة القائلة بأن النماذج الحالية يمكنها التعامل بشكل طبيعي مع هذه التغييرات الزمنية دون مساعدة. وبدلاً من ذلك، تقترح أن مستقبل الذكاء الاصطناي الطبي يكمن في منح هذه النماذج إمكانية الوصول إلى مكتبة من الحالات السابقة المشابهة — بكل من الصور والقصص — لمساعدتها على التفكير في التغييرات. ويلاحظ المؤلفون بحذر أن هذه مجرد نقطة بداية؛ حيث أن المعيار مبني حالياً فقط على الأشعة السينية للصدر، كما أن تحدي تتبع التغييرات عبر فترات زمنية أطول مع صور أكثر تعقيداً يظل مجالاً للاستكشاف المستقبلي. ولكن في الوقت الحالي، نجح TEMMED-BENCH في إظهار مواضع إخفاق "المحققين" من الذكاء الاصطناعي وكيف يمكننا مساعدتهم ليصبحوا أفضل في حل لغز الزمن.