RetiBridge: Bridging Quantitative Retinal Biomarkers and Qualitative Diagnosis with a Knowledge-Guided Multimodal Large Language Model
يُعد RetiBridge نموذجاً لغوياً ضخماً متعدد الوسائط وموجهاً بالمعرفة، يربط بفعالية بين المؤشرات الحيوية الشبكية الكمية المستمدة من صور CFP وOCT والتشخيصات السريرية النوعية، متفوقاً بذلك على النماذج مفتوحة المصدر والمملوكة الموجودة حالياً في معيار مرجعي جديد يتكون من أكثر من 15,000 عينة مزدوجة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أن عينيك تشبهان نظام كاميرات مراقبة عالي التقنية لجسمك بالكامل. تماماً كما يمكن لكاميرا المراقبة رصد نافذة مكسورة أو ظل غريب، يمكن للشبكية في خلفية عينك أن تكشف عن أدلة حول أمراض مثل السكري، وارتفاع ضغط الدم، وحتى مشا س القلب. يستخدم الأطباء "عدستين" رئيسيتين للنظر إلى بث المراقبة هذا: إحداهما تلتقط صورة ملونة مسطحة للسطح (مثل لقطة عادية)، والأخرى تلتقط مقطعاً عرضياً ثلاثي الأبعاد عبر الطبقات (مثل مقطع عرضي لكعكة). لفترة طويلة، كانت الحواسيب بارعة في قياس الأرقام في هذه الصور — مثل مدى سمك طبقة ما أو عرض وعاء دموي — لكنها كانت سيئة للغاية في شرح ما تعنيه تلك الأرقام حقاً بلغة بسيطة. كان الأمر يشبه امتلاك روبوت يمكنه إخبارك أن سرعة السيارة هي 60 ميلاً في الساعة، لكنه لا يستطيع إخبارك ما إذا كان ذلك يعني أن السيارة تتجاوز السرعة المسموحة أم أنها تسير فقط على طريق سريع.
هنا يأتي دور البحث الجديد. لقد حاول العلماء بناء "نماذج لغوية كبيرة متعددة الوسائط" (MLLMs) — وهي في الأساس عقول ذكاء اصطناعي فائقة الذكاء يمكنها رؤية الصور وقراءة النصوص في نفس الوقت. الهدف هو إنشاء مساعد طبي رقمي لا يكتفي بالقول "غير طبيعي" فحسب، بل يشرح لماذا من خلال ربط الأرقام الصعبة بتشخيص حقيقي. ومع ذلك، فإن معظم نماذج الذكاء الاصطناعي الموجودة حالياً تشبه الطلاب الذين حفظوا الكتاب المدرسي عن ظهر قلب لكنهم لا يستطيعون تطبيق ذلك في امتحان واقعي؛ فقد يخمنون المرض الصحيح لكنهم لا يستطيعون إظهار خطوات عملهم أو شرح كيف أدت القياسات إلى استنتاجهم. يقدم هذا البحث نموذجاً جديداً للذكاء الاصطناعي يسمى RetiBridge، والذي يحاول إصلاح ذلك عبر إجبار الكمبيوتر على التصرف كمحقق دقيق، يربط كل رقم يجده بدليل طبي محدد قبل إصدار حكم نهائي.
لقد بنى الباحثون RetiBridge ليكون محققاً "موجهاً بالمعرفة". فبدلاً من ترك الذكاء الاصطناعي يخمن، علموه طريقة تفكير محددة: أولاً، قياس الأدلة (الأرقام)؛ ثانياً، ترجمة تلك الأرقام إلى قصة طبية (الأدلة)؛ وثالثاً، حل القضية (التشخيص). قاموا بتدريب هذا الذكاء الاصطناعي باستخدام 15,611 زوجاً من صور العين من "UK Biobank"، وهي قاعدة بيانات ضخمة لبيانات مرضى حقيقيين. لكل مريض، كان بإمكان الذكاء الاصطناعي الوصول إلى 31 قياساً مختلفاً من المسحات ثلاثية الأبعاد العميقة و6 قياسات من الصور المسطحة. وللتأكد من أن الذكاء الاصطب يتعلم الطريقة الصحيحة للتفكير، استخدم الباحثون أداة ذكاء اصطناعي قوية (OpenAI-o3) لكتابة "إجابات نموذجية" لهذه الحالات الـ 15,000+. لم تكتفِ هذه الإجابات النموذجية بإعطاء التشخيص فح، بل كتبت عملية الاستنتاج الكاملة، موضحة بالضبط كيف يترجم قياس مثل "240 ميكرومتر من السمك" إلى "لا يوجد تورم هنا"، وهو ما يؤدي بدوره إلى استنتاج نهائي.
عندما اختبروا RetiBridge، أظهر بعض المهارات المثيرة للإعجاب. فعلى الرغم من أنه بُني على "عقل" صغير نسبياً (نموذج بـ 7 مليارات معلمة)، إلا أنه تفوق على نماذج أكبر بكثير، بما في ذلك بعض النماذج التي تبلغ 32 مليار معلمة وحتى نموذج متطور جداً مملوك لشركة OpenAI. وكان مفتاح نجاحه هو خطوة تدريب خاصة تعلم فيها الذكاء الاصطناعي محاذاة صور العين ثلاثية الأبعاد مباشرة مع الأرقام التي تمثلها، تماماً مثل تعليم طالب مطابقة صورة لشريحة كعكة مباشرة بمسطرة، بدلاً من مجرد حفظ كلمة "كعكة".
تشير النتائج إلى أن RetiBridge أفضل في المهمة المحددة المتمثلة في "إظهار خطوات عمله". فقد كان أكثر دقة بشكل ملحوظ في الحصول على الأرق وحققت دقة بلغت (78.23% مقارنة بدرجات أقل بكثير للنماذج الأخرى)، وكان أفضل في إثبات أن تشخيصه مدعوم بالفعل بالأدلة التي رآها. وبينما كانت النماذج الأخرى تخطئ أحياناً في التفاصيل أو تخترع أسباباً رغم وصولها للتشخيص النهائي الصحيح، كان RetiBridge يربط استنتاجاته باستمرار بالقياسات الفعلية. على سبيل المثال، في حالة اختبار تتعلق باعتلال الشبكية السكري، حدد RetiBridge بشكل صحيح بقعاً وسماكات معينة وشرح كيف استبعدت أمراضاً أخرى، مما خلق مساراً منطقياً واضحاً من الصورة إلى الإجابة.
ومع ذلك، يوضح البحث بحذر أن هذا ليس علاجاً سحرياً بعد. فبينما يعد RetiBridge أفضل في ربط النقاط، إلا أنه لا يزال يعاني في بعض مهام الاستنتاج المعقدة مقارنة بالنماذج الأكثر شبهاً بالبشر، ولم يتم اختباره على كل نوع من أمراض العين. ويقترح المؤلفون أن هذا النهج — إجبار الذكاء الاصطناعي على ترسيخ إجاباته في أرقام صلبة — هو مسار واعد للمضي قدماً، ولكن هناك حاجة لمزيد من العمل لجعله قوياً بما يكفي للاستخدام في المستشفيات الواقعية. كما يخططون لاختباره على المزيد من المسحات ثلاثية الأبعاد الأكثر تفصيلاً وأنواع مختلفة من صور العين في المستقبل. في الوقت الحالي، يعد RetiBridge إثبات مفهوم قوياً على أنه إذا علمت الذكاء الاصطناعي احترام الرياضيات الكامنة وراء الطب، فيمكنه أن يصبح شريكاً جديراً بالثقة في فهم صحتنا.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.