تخيل عالماً حيث يساعد طبيب آلي فائق الذكاء الأطباء الحقيقيين في اتخاذ قرارات بشأن الأدوية التي يجب إعطاؤها للمرضى. هذا ليس من قبيل الخيال العلمي؛ بل هو مجال متنامٍ يسمى "التوصية بالأدوية القائمة على الذكاء الاصطناعي". تبحث هذه الأنظمة في تاريخ المريض — أمراضه السابقة، وعملياته الجراحية، وما تناوله سابقاً — لتخمين أفضل دواء جديد. فكر في الأمر كأنه تطبيق وصفات متطور للغاية يعرف ذوقك وحساسيتك تجاه الأطعمة أكثر مما تعرف أنت نفسك. ولكن هنا تكمن المشكلة: تماماً مثل الطاهي الذي يطبخ فقط بالمكونات الشائعة مثل الملح والسكر، تواجه روبوتات الذكاء الاصطناعي هذه صعوبة مع "المكونات النادرة". وفي العالم الطبي، هذه هي الأدوية التي تُعطى لعدد قليل جداً من الناس، غالباً لحالات غريبة أو شديدة. ولأن الذكاء الاصطناعي لم يرَ هذه الأدوية النادرة كثيراً في بيانات التدريب الخاصة به، فإنه يميل إلى تجاهلها تماماً، وهو أمر قد يكون خطيراً على المرضى الذين يحتاجونها بشدة.

هذه هي المشكلة التي عالجها فريق من الباحثين من جامعة KAIST وجامعة كوريا في ورقتهم البحثية الجديدة. فقد لاحظوا أنه بينما يبدع الذكاء الاصطناعي في اقتراح الأدوية الشائعة، فإنه غالباً ما يفشل فشلاً ذريعاً في اقتراح الأدوية النادرة. ولإصلاح ذلك، بنوا نظاماً جديداً يسمى GenRxR. وبدلاً من مجرد انتظار المزيد من البيانات من العالم الحقيقي (وهو أمر صعب بسبب قواعد الخصوصية)، استخدموا حيلة "السفر عبر الزمن" باستخدام النماذج اللغوية الكبيرة (LLMs) — وهي نفس نوع الذكاء الاصطناعي الفائق الذي يمكنه كتابة القصص أو الدردشة معك. لقد طلبوا من الذكاء الاصطناعي تخيل سيناريوهات "ماذا لو": "ماذا لو كان هذا المريض قد أُعطي هذا الدواء النادر؟ كيف ستتغير قصته؟". ومن خلال توليد هذه القصص المزيفة ولكن المنطقية طبياً، أنشأوا مكتبة ضخمة جديدة من الأمثلة ليتعلم منها الذكاء الاصطناعي. كما علموا الذكاء الاصطناعي أن ينتبه بشكل أكبر لكيفية عمل الأدوية المختلفة معاً، مثل قائد الأوركسترا الذي يضمن أن تعزف كل آلة في تناغم تام.

النتيجة؟ أصبح نظامهم الجديد، GenRxR، مُخمّناً أفضل بكثير لتلك الأدوية النادرة والمراوغة. وفي اختباراتهم، لم يكتفِ بأداء جيد فحسب؛ بل سحق المنافسة. فقد تفوق على 14 طريقة أخرى، بما في ذلك أنظمة ذكاء اصطناعي أخرى تستخدم نماذج ذات عقل كبير مشابهة. والأكثر إثارة للإعجاب هو أنه عندما يتعلق الأمر بالأدوية النادرة التي غالباً ما تغفلها الأنظمة الأخرى تماماً، فقد حسن GenRxR دقة تنبؤه بنسبة تصل إلى 30.9%. لم يكتفوا بالتخمين؛ بل قاموا بحساب الأرقام وأظهروا أنه من خلال استخدام قصص "ماذا لو" وتعليم الذكاء الاصطناعي التفكير بعقلية الطبيب، يمكننا جعل التوصيات الدوائية أكثر أماناً ودقة للجميع، حتى لأولئك الذين يعانون من أكثر الحالات ندرة.

المشكلة: انحياز "المنطق السليم" لدى الذكاء الاصطناعي

تخيل أنك تحاول تعلم لعب لعبة فيديو، ولكنك لا تلعب سوى المستوى الأول مليون مرة. ستصبح بارعاً في هذا المستوى، ولكن إذا طلب منك شخص ما فجأة لعب مستوى "الوحش السري" الذي لا يظهر إلا مرة واحدة في العمر، فلن تعرف ماذا تفعل. هذا هو بالضبط ما يحدث مع أنظمة الأدوية الحالية بالذكاء الاصطناعي.

وجد الباحثون أن هذه الأنظمة تعاني من مشكلة "الذيل الطويل" (long-tail problem). في العالم الحقيقي، يتم وصف عدد قليل من الأدوية باستمرار (الأدوية "الشائعة")، بينما يتم وصف الآلاف غيرها بشكل نادر جداً (الأدوية "النادرة"). ولأن الذكاء الاصطناعي يتعلم من السجلات التاريخية للمستشفيات، فإنه يرى الأدوية الشائعة مراراً وتكراراً، ويصبح بارعاً جداً فيها. لكن الأدوية النادرة؟ إنها مثل الأشباح في البيانات. هناك أمثلة قليلة جداً عليها لدرجة أن الذكاء الاصطناعي ينسى وجودها تقريباً.

هذا ليس مجرد خلل بسيط. فالعديد من هذه الأدوية النادرة هي "أدوية يتيمة"، مصممة لعلاج أمراض محددة أو شديدة أو غير شائعة. وإذا تجاهلها الذكاء الاصطناعي، فقد يُترك المريض المحتاج دون خطة علاجية. كما لاحظ الباحثون أن أنظمة الذكاء الاصطناعي الحالية غالباً ما تفشل في فهم كيفية عمل الأدوية معاً. فوصف دواء نادر يعني عادةً أنه جزء من "كوكتيل" محدد من العلاجات الأخرى. وإذا لم يفهم الذكاء الاصطناعي العلاقات بين هذه الأدوية، فلن يتمكن من تقديم توصية آمنة.

الحل: السفر عبر الزمن باستخدام قصص "ماذا لو"

لإصلاح ذلك، أنشأ الفريق GenRxR، وهو إطار عمل يستخدم النماذج اللغوية الكبيرة (LLMs) بطريقتين ذكيتين.

1. آلة "ماذا لو" (تعزيز البيانات عبر الواقع المضاد)
كانت العقبة الكبرى الأولى هي نقص البيانات. لا يمكنك تعليم طالب قيادة سيارة فيراري إذا كان لديك سيارة فيراري واحدة فقط في العالم. لذا، استخدم الباحثون نموذج لغوي كبير لإنشاء "المزيد من سيارات الفيراري". لم يكتفوا بتأليف أرقام عشوائية؛ بل استخدموا المعرفة الطبية للذكاء الاصطناعي لكتابة قصص "واقع مضاد" (counterfactual).

إليك كيف يعمل الأمر:

• يختار الفريق مريضاً من سجل مستشفى حقيقي لم يحصل على دواء نادر معين.
• يسألون النموذج اللغوي الكبير: "تخيل أن هذا المريض حصل بالفعل على هذا الدواء النادر. ما الذي كان سيحدث أيضاً في تاريخه الطبي ليكون ذلك منطقياً؟"
• يعمل النموذج اللغوي ككاتب مبدع يحمل شهادة طبية. قد يقول: "حسناً، إذا حصل على هذا الدواء النادر، فمن المحتمل أنه عانى أيضاً من نوع معين من العدوى، وخضع لعملية جراحية معينة، وكان يتناول مجموعة مختلفة من الأدوضاء المساندة".
• يقوم الذكاء الاصطناعي بعد ذلك بتوليد سجل مريض جديد تماماً يتضمن هذا الدواء النادر وكل التغييرات المنطقية التي ستصاحبه.

هذا يشبه منح الذكاء الاصطناعي آلة زمن لزيارة عوالم بديلة استُخدمت فيها أدوية نادرة. ومن خلال التدريب على آلاف القصص الجديدة والواقعية لـ "ماذا لو"، يتعلم الذكاء الاصطناعي أخيراً شكل الأدوية النادرة ومتى يستخدمها.

2. "لاعب الفريق" (ضبط التعليمات)
الجزء الثاني من اللغز كان التأكد من فهم الذكاء الاصطناعي لـ "السياق". فالدواء النادر نادراً ما يكون عملاً فردياً؛ بل هو جزء من فريق. ولمساعدة الذكاء الاصطناعي على فهم ذلك، استخدم الباحثون تقنية تسمى ضبط التعليمات (instruction tuning).

لقد علموا النموذج اللغوي الكبير تلخيص السجلات الطبية بطريقة تسلط الضوء على الروابط بين حالة المريض والأدوية التي يحتاجها. أعطوا الذكاء الاصطناعي تعليمات محددة ليعمل كخبير في الاستنتاج السريري. وبدلاً من مجرد النظر إلى قائمة أدوية، تعلم الذكاء الاصطني النظر إلى الصورة الكاملة: "هذا المريض لديه هذه الأعراض، لذا فإن هذا المزيج المحدد من الأدوية منطقي". تضمن هذه الخطوة أنه عندما يوصي الذكاء الاصطناعي بدواء نادر، فإنه لا يخمن فحسب، بل يستنتج من خلال السياق السريري، تماماً كما يفعل الطبيب البشري.

النتائج: قفزة كبيرة للأمام

اختبر الفريق GenRxR مقابل 14 طريقة أخرى، بما في ذلك خمسة أنظمة تستخدم أيضاً نماذج لغوية كبيرة. وكانت النتائج واضحة: GenRxR هو البطل.

• الأداء العام: تفوق على جميع الطرق الأخرى تقريباً في التنبؤ بالأدوية الصحيحة.
• الميدالية النادرة: كانت النتيجة الأكثر إثارة هي بالنسبة للأدوية النادرة. فبينما كافحت الأنظمة الأخرى حتى لتخمين الدواء النادر الصحيح، حسن GenRxR أداءه بنسبة تصل إلى 30.9% مقارنة بأقوى نموذج أساسي.
• السلامة أولاً: والأهم من ذلك، أن تحسن القدرة على التوصية بالأدوية النادرة لم يؤثر سلباً على القدرة على التوصية بالأدوية الشائعة. لقد أصبح "طبيباً" أفضل في كل شيء دون أن يفقد براعته في الأساسيات.

لم يكتف الباحثون بالادعاء بأن هذا نجح؛ بل قاموا بقياسه باستخدام بيانات مستشفيات حقيقية (من مجموعات بيانات MIMIC-III و MIMIC-IV). وقد أظهروا أنه من خلال استخدام قصص "ماذا لو" لسد الفجوات وتعليم الذكاء الاصطناعي التفكير من خلال السياقات السريرية، يمكننا حل نقطة ضعف رئيسية في الذكاء الاصطناعي الطبي.

لماذا يهم هذا؟

لا تدعي هذه الورقة البحثية أنها حلت كل المشاكل في الطب، لكنها تقدم أداة جديدة قوية. فهي تظهر أننا لا نحتاج دائماً إلى المزيد من البيانات من العالم الحقيقي لتدريب الذكاء الاصطناعي؛ بل نحتاج أحياناً إلى أن نكون أكثر ذكاءً في كيفية استخدام البيانات التي نمتلكها. ومن خلال السماح للذكاء الاصطناعي بتخيل سيناريوهات "ماذا لو"، يمكننا إعداده للحالات النادرة والصعبة التي تحدث في العالم الحقيقي. وبالنسبة للمرضى الذين يعانون من حالات نادرة، فإن هذا يعني مستقبلاً يكون فيه الأطباء الآليون مستعدين لمساعدتهم تماماً كما هم مستعدون لحالات نزلات البرد الشائعة. إن الكود والبيانات التي قاموا بتوليدها متاحة الآن للآخرين لاستخدامها، مما يدعو المجتمع العلمي بأكه لبناء المزيد على نهج "ماذا لو" لجعل الرعاية الصحية أكثر أماناً للجميع.