Rethinking Artificial Intelligence in Medical Imaging: Assumptions, Reality, and Reframing

أداة الطبيب الخارقة: لماذا يحتاج الذكاء الاصطناعي إلى شخصية، وليس مجرد عقل

تخيل أنك محقق يحاول حل لغز ما. لديك كاميرا عالية التقنية يمكنها التقاط صور حادة للغاية لمسرح الجريمة. هذه الكاميرا جيدة جداً لدرجة أنها تستطيع رصد بصمة إصبع واحدة أو خدش صغير على الحائط قد تغفله العين البشرية. لكن هنا تكمن المشكلة: الكاميرا لا ترى سوى الصورة فقط. هي لا تعرف ما إذا كان المشتبه به قد تأخر، أو ما إذا كانت تمطر في تلك الليلة، أو ما إذا كان الضحية لديه تاريخ مع أمراض القلب. في عالم الطب، تمثل هذه الكاميرا الذكاء الاصطناعي (AI)، ويمثل مسرح الجريمة فحصاً طبياً مثل الأشعة السينية أو الرنين المغناطيسي. لفترة طويلة، اعتقد العلماء أنه إذا جعلوا الكاميرا أكثر حدة وذكاءً فحسب، فإنها ستحل كل الألغاز الطبية بمفردها.

ومع ذلك، فإن الأطباء لا ينظرون إلى الصور فحسب؛ بل هم مثل المحققين المهرة الذين يجمعون بين الصورة وقصة حياة المريض بأكملها—نتائج فحوصات الدم، أمراضه السابقة، والأدوية التي يتناولها. السؤال الكبير الذي يطرحه هذا البحث هو: لماذا لم تغير هذه الكاميرا الخارقة الذكية المستشفيات بعد؟ الإجابة ليست أن الكاميرا معطلة أو أن الأطباء يخشون التكنولوجيا الجديدة. بدلاً من ذلك، يشير البحث إلى أننا كنا نبني ذكاءً اصطناعياً ينظر فقط إلى "البكسلات" (النقاط الصغيرة في الصورة) بينما يتجاهل بقية قصة المريض. ويجادل المؤلفون بأنه لإصلاح ذلك، نحتاج إلى التوقف عن محاولة استبدال الأطباء بالروبوتات والبدء في بناء ذكاء اصطناعي يعمل كـ "مساعد جانبي" مفيد، مساعد يمكنه قراءة ملف القضية بالكامل، وليس مجرد الصورة.

---

عدم التطابق الكبير: لماذا عالق الذكاء الاصطناعي في غرفة الانتظار؟

على مدار العقد الماضي، كان عالم التصوير الطبي يضج بالحماس. بنى العلماء أنظمة ذكاء اصطناعي يمكنها رصد الأورام أو الكسور بسرعة مذهلة. شعرنا وكأننا على أعتاب ثورة حيث ستتولى الروبوتات مهمة قراءة الفحوصات. ولكن إذا دخلت مستشفى اليوم، ستجد الواقع أكثر هدوءاً. الروبوتات موجودة، لكنها لا تغير قواعد اللعبة كما كنا نأمل. يرى مؤلفو هذا البحث، وهم فريق من الباحثين والأطباء، أن هذا ليس بسبب ضعف قدرة الذكاء الاصطناعي في الرياضيات أو لأن القواعد صارمة للغاية. بدلاً من ذلك، يقولون إن لدينا عدم توافق هيكلي.

فكر في الأمر كالتالي: تخيل أنك استأجرت طباخاً بارعاً يمكنه طهي قطعة لحم مثالية بناءً فقط على صورة للحم. هذا الطباخ عبقري في النظر إلى الصورة، لكنه يرفض أن يسأل الزبون ما إذا كان نباتياً، أو إذا كان يعاني من حالة قلبية، أو إذا كان يفضل اللحم نصف مطهو أو مطهواً جيداً. الطباخ يقدم فقط قطعة اللحم التي يظن أنها تبدو الأفضل. في الطب، هذا هو ما حدث. لقد بنينا ذكاءً اصطناعياً مهووساً بـ "البكسلات" (الصورة) ولكنه يتجاهل "السياق" (تاريخ المريض، نتائج المختبر، وغيرها من القرائن). يشير البحث إلى أن هذا هو السبب الرئيسي وراء عدم وصول الذكاء الاصطناعي إلى جانب سرير المريض بعد.

ست طرق أخطأنا بها (وكيفية إصلاحها)

يحلل المؤلفون هذه المشكلة إلى ست قطع متصلة، مثل أحجية (بازل) حيث كل قطعة ذات شكل خاطئ قليلاً. إليكم كيف يرون المشكلة وكيف يعتقدون وجوب إعادة صياغتها:

1. فخ "البكسل فقط"

• المشكلة: معظم نماذج الذكاء الاصطناعي مدربة على النظر إلى الصورة فقط، متجاهلة كل شيء آخر. الأمر يشبه محاولة حل أحجية صور مقطعة وأنت ترتدي عصبة عين لا تسمح لك إلا برؤية زاوية واحدة.
• الواقع: الأطباء لا يعملون بهذه الطريقة. إنهم ينظرون إلى الصورة بالإضافة إلى فحوصات الدم، والعلاجات السابقة، وعوامل أخرى.
• الحل: نحن بحاجة إلى ذكاء اصطناعي يمكنه "قراءة الملف بالكامل". لا ينبغي له فقط النظر إلى الأشعة السينية؛ بل يجب أن يفحص أيضاً نتائج مختبر المريض وتاريخه الطبي للوصول إلى تخمين أكثر ذكاءً.

2. مشكلة الثقة في "الصندوق الأسود"

• المشكلة: غالباً ما يتصرف الذكاء الاصطناعي الحالي كأنه عراف غامض يعطي إجابة دون شرح السبب. الأطباء لا يثقون به لأنهم لا يستطيعون رؤية طريقة تفكيره.
• الواقع: الثقة ليست شيئاً يمكن فرضه بالقانون؛ بل تنمو عندما تكون الأداة مفيدة، وصادقة، ومرنة.
• الحل: بدلاً من "الصندوق الأسود"، نحتاج إلى شريك "كتاب مفتوح". يجب أن يعمل الذكاء الاصطناعي مع الطبيب، مما يسم يسمح له بتعديل النتائج وشرح منطقه، بدلاً من مجرد الصراخ بإجابة نهائية.

3. هالة "نماذج التأسيس" (Foundation Models)

• المشكلة: هناك الكثير من الحماس حول "نماذج التأسيس"—وهي عقول ذكاء اصطناعي ضخمة مدربة على كميات هائلة من البيانات. يأمل الناس أن تكون هذه النماذج هي الخبراء الطبيين النهائيين.
• الواقع: في الطب، غالباً ما تعاني هذه النماذج الضخمة لأن البيانات الطبية فوضوية ونادرة. مجرد امتلاك دماغ أكبر لا يساعد إذا لم يتعلم النموذج الحالات المحددة والغريبة التي تحدث في المستشفيات الحقيقية.
• الحل: نحتاج إلى التوقف عن التفكير في أن "الأكبر هو الأفضل". بدلاً من ذلك، نحتاج إلى نماذج يتم اختيارها والتحقق منها بعناًية لمهام طبية محددة، وليس مهام عامة فقط.

4. عنق زجاجة البيانات

• المشكلة: يحتاج الذكاء الاصطناعي إلى بيانات ليتعلم، لكن البيانات الطبية يصعب مشاركتها. وجدت دراسة ذكرها البحث أن أقل من 2% من مقالات الذكاء الاصطناعي الخاصة بالأشعة من عام 2017 إلى 2021 شاركت كلاً من الكود والبيانات الخاصة بها. قارن ذلك بـ 40-50% في المجالات التقنية الأخرى!
• الواقع: بدون مشاركة البيانات، يظل الذكاء الاصطناعي عالقاً في مختبرات صغيرة ومعزولة ولا يمكنه التعلم من العالم أجمع.
• الحل: نحن بحاجة إلى تغيير طريقة تفكيرنا في ملكية البيانات. بدلاً من أن "يمتلك" المرضى بياناتهم بطريقة تحجبها، يجب أن تعمل المستشفيات كـ "أمناء" يشاركون البيانات بأمان لمساعدة الجميع. نحتاج أيضاً إلى استخدام برامج حاسوبية ذكية لإنشاء بيانات وهمية (لكن واقعية) لملء الفجوات.

5. من الخوارزميات إلى المنصات الحقيقية

• المشكلة: غالباً ما يبني العلماء خوارزمية ذكاء اصطناعي رائعة في المختبر ثم يسلمونها للمستشفى ببساطة. لكن المستشفيات أماكن فوضوية ذات أجهزة وسير عمل مختلف.
• الواقع: الخوارزمية وحدها تشبه محركاً رائعاً بدون سيارة. يجب بناؤها لتكون جزءاً من نظام يتناسب مع الروتين اليومي للطبيب.
• الحل: نحن بحاجة إلى "منصات"—أنظمة متكاملة تتصل مباشرة بحواسيب المستشفى (مثل تلك التي يستخدمها الأطباء لعرض الأشعة) وتسمح للأطباء بتقديم ملاحظات لتحسين الذكاء الاصطناعي بمرور الوقت.

6. التنبؤات مقابل الإجراءات

• المشكلة: الذكاء الاصطناعي بارع في التنبؤ بالأشياء (مثلاً: "هناك احتمال 74% أن يكون هذا سرطانًا"). لكن الأطباء لا يريدون مجرد نسبة مئوية؛ بل يريدون معرفة "ماذا يجب أن يفعلوا".
• الواقع: التنبؤ بدون خطة هو مجرد تخمين. يحتاج الأطباء لمعرفة ما إذا كان ينبغي عليهم تغيير العلاج، أو طلب المزيد من الاختبارات، أو عدم فعل شيء.
• الحل: نحن بحاجة إلى "ذكاء اصطناعي قابل للتنفيذ". بدلاً من مجرد قول "74%"، يجب أن يقول الذكاء الاصطناعي: "بما أن الخطر مرتفع وتاريخ المريض يتوافق مع ذلك، فإنني أوصي بإجراء خزعة".

المستقبل: المساعد "الوكيل" (Agentic Sidekick)

يقترح البحث تحولاً كبيراً في كيفية بناء الذكاء الاصطناعي. بدلاً من أداة سلبية تنتظر صورة لتخرج تسمية، نحتاج إلى ذكاء اصطناًعي "وكيل" (Agentic AI).

تخيل مساعد محقق لا يكتفي بالنظر إلى الصورة، بل يذهب بنشاط إلى المكتبة، ويتحقق من تقرير الطقس، ويتصل بالشاهد، ثم يقول للمحقق: "هذا ما وجدته، وهذا ما أعتقد أننا يجب أن نفعله بعد ذلك". هذا "الوكيل" يمكنه:

1. تنظيم السياق: يمكنه تلقائياً استدعاء نتائج مختبر المريض وفحوصاته السابقة لفهم القصة الكاملة.
2. معرفة حدوده: إذا كان غير متأكد، يمكنه القول: "لا أعرف بما يكفي عن هذه الحالة النادرة؛ دعونا نسأل طبيباً بشرياً"، بدلاً من التخمين بثقة خاطئة.
3. تقديم نصيحة قابلة للتنفيذ: يقترح الخطوات التالية المحددة، مثل "اطلب هذا الاختبار المحدد" أو "غير الدواء".

يؤكد المؤلفون بحذر أن هذا لا يتعلق باستبدال الأطباء، بل بمنحهم "درعاً مدعوماً بالذكاء الاصطناعي". يظل الطبيب هو المسؤول عن القرار النهائي، لكن الذكاء الاصطناعي يساعده على الرؤية بشكل أوضح، والتفكير بعمق أكبر، والتصرف بسرعة أكبر.

الخلاصة

يخلص البحث إلى أن التكنولوجيا اللازمة لحل هذه المشكلات موجودة بالفعل. لدينا الأدوات لبناء هذه الأنظمة الأكثر ذكاءً وترابطاً. القطعة المفقودة ليست خوارزمية أفضل، بل هي تغيير في التوجه.

لعشر سنوات مضت، كان السؤال هو: "هل يمكن للذكاء الاصطناعي أن يهزم الطبيب في مهمة محددة؟"
يقول المؤلفون إننا بحاجة إلى التوقف عن طرح هذا السؤال والبدء في سؤال: "هل يجعل الذكاء الاصطناعي الطبيب أفضل في رعاية المريض؟"

للوصول إلى ذلك، نحتاج إلى أن يعمل الأطباء وعلماء الحاسوب وصناع السياسات معاً منذ البداية. نحن بحاجة إلى قياس النجاح ليس بعدد الأوراق البحثية المنشورة أو بمدى ارتفاع درجات الاختبارات، بل بعدد المرضى الذين يحصلون فعلياً على رعاية أفضل. الهدف هو بناء مستقبل يكون فيه الذكاء الاصطناعي زميلاً موثوقاً في غرفة الفحص، يساعد الأطباء في حل لغز كل مريض صحي.