تخيل عالماً تستطيع فيه الحواسيب النظر إلى الصور وإخبارك بالضبط بما تراه، لكنها سيئة للغاية في الإشارة بأصابعها إلى بقعة محددة. الآن، تخيل نوعاً آخر من الحواسيب بارع جداً في رسم خطوط تحديد مثالية حول الأجسام في صورة ما، لكنه لا يستطيع نطق كلمة واحدة من لغة البشر ليشرح لماذا رسم هذا الخط. لفترة طويلة، عاش هذان النوعان من "المتبصرين" في منازل منفصلة، ونادراً ما تحدثا مع بعضهما البعض. هذا هو الوضع الراهن للذكاء الاصطناًعي الطبي: بعض النماذج بارعة في قراءة الأشعة السينية وكتابة التقارير، بينما نماذج أخرى بارعة في تسليط الضوء على الأورام، لكن الجمع بينهما كان يشبه محاولة تعليم ببغاء رسم لوحة بورتريه أثناء طيرانه.

هذه الفجوة مهمة لأن الأطباء لا يحتاجون فقط إلى قائمة من الحقائق أو رسماً ثابتاً؛ بل يحتاجون إلى شريك يمكنه النظر إلى فحص ما، والاستنتاج مما هو الخطأ، ثم الإشارة مباشرة إلى المشكلة مع شرح أهميتها. الورقة البحثية التي ستطالعها الآن تعالج هذا التحدي بالضبط. فهي تقدم نوعاً جديداً من الذكاء الاصطناعي يعمل كجسر، يتعلم التحدث والتفكير والرسم في آن واحد. وقبل أن نتعمق في الحل، من المفيد فهم الأدوات التي يستخدمها. فكر في "نماذج الرؤية واللغة" (Vision-Language Models) كـ مساعدين أذكياء يمكنهم قراءة صورة والإجابة على أسئلة حولها، مثل "ما هذا العضو؟". لكنها عادة لا تستطيع قول: "هنا يوجد الورم"، ورسم دائرة حوله. ومن ناحية أخرى، فإن "نماذج التجزئة" (Segmentation Models) تشبه رسم الخرائط الخبراء الذين يمكنهم رسم خريطة مثالية لكل عضو، لكنهم عادة يحتاجون إلى إنسان ليقول لهم: "ارسم الكلية اليسرى"، ولا يستطيعون التفسير عما يرونه. الهدف من هذا البحث هو دمج هذه المهارات في عقل واحد يمكنه القيام بكليهما، باستخدام حيلة خاصة لتعليمه كيف يكون دقيقاً دون الحاجة إلى إنسان لتقييم كل رسم.

المشكلة: الانقسام الكبير

في عالم الذكاء الاصطناعي الطبي، كان هناك انقسام محبط. فمن جهة، لديك نماذج بارعة في فهم اللغة والصور معاً؛ يمكنها الإجابة على أسئلة مثل "هل هذه إصابة بالالتهاب الرئوي؟" أو كتابة تقرير عن فحص ما. ولكن إذا سألتها أن تحدد بدقة أين يوجد الالتهاب الرئوي في الصورة، فإنها غالباً ما تضل طريقها أو تخمن بشكل غامض. ومن جهة أخرى، لديك نماذج مذهلة في التجزئة (segmentation)—أي رسم خطوط تحديد دقيقة حول الأعضاء أو الأمراض. ومع ذلك، فإن هذه النماذج تحتاج عادةً إلى تعليمات محددة للغاية، مثل "ارسم الكلية اليسرى"، وتواجه صعوبة إذا طلبت منها الاستنتاج عبر دليل طبي معقد، مثل "ابحث عن المنطقة التي تبدو وكأنها لا تحصل على ما يكفي من الأكسجين".

لاحظ الباحثون أن البيانات المستخدمة لتدريب هذه النماذج كانت مقسمة أيضاً. فمجموعات البيانات المخصصة لرسم الخطوط (التجزئة) كانت تحتوي على آلاف الرسومات المثالية ولكن مع القليل جداً من اللغة المصاحبة لها. أما مجموعات البيانات المخصصة للأسئلة الطبية، فقد كانت تحتوي على الكثير من النصوص ولكنها نادراً ما تضمنت الرسومات الدقيقة اللازمة لتعليم الذكاء الاصطناطي كيفية الإشارة. وقد خلق هذا عنق زجاجة: لبناء ذكاء اصطناعي طبي ذكي حقاً، كنت بحاجة إلى كمية هائلة من البيانات التي تجمع بين اللغة والرسومات الدقيقة معاً، لكن الحصول على تلك البيانات كان مكلفاً وصعباً.

الحل: MedPixel وسحر "MedPLG-440K"

إليك MedPixel، وهو نموذج موحد جديد صُمم ليكون المحقق الطبي الأمثل. بدلاً من محاولة إجبار نموذجين مختلفين على التحدث مع بعضهما البعض، تم بناء MedPixel من الصفر ليفهم الكلمات والبكسلات في آن واحد. إنه يستخدم واجهة ذكية حيث تخبر "رمز" خاص (فكر فيه ككلمة سحرية، <SEG>) النموذج: "حسناً، توقف عن الكلام وابدأ في الرسم".

ولكن كيف تعلم نموذجاً الرسم والتحدث في نفس الوقت دون استئجار آلاف الأطباء لتسمية ملايين الصور؟ ابتكر المؤلفون مجموعة بيانات تسمى MedPLG-440K. هذه ليست مجموعة من الصور الجديدة؛ بل هي إعادة تصور ذكية للرسومات الطبية الموجودة بالفعل. فقد أخذ الباحثون آلاف الصور الطبية الموجودة التي تحتوي بالفعل على خطوط تحديد مرسومة (الأقنعة/masks) واستخدموا عملية ذكية لتحويل تلك الخطوط إلى دروس لغوية.

تخيل أن لديك رسماً لورم. بدلاً من مجرد الاحتفاظ بالرسم، ينظر النظام إلى شكل الورم وحجمه وملمسه ويكتب تلقائياً وصفاً: "هناك ورم بيضاوي صغير في المركز ذو حواف ناعمة". ثم ينشئ حواراً حيث يسأل طبيب: "هل يمكنك أن تريني الورم؟" ويستجيب الذكاء الاصطناعي بالوصف والرسم معاً. لقد فعلوا ذلك لحوالي 440,000 سيناريو مختلف، تغطي أربعة أنواع رئيسية من التفاعلات:

1. التجزئة المرجعية (Referring Segmentation): "ارسم الكلية اليمنى".
2. التجزئة الاستنتاجية (Reasoning Segmentation): "ابحث عن المنطقة التي تبدو وكأنها لا تحصل على ما يكفي من الأكسجين". (على الذكاء الاصطناعي استنتاج ماهية تلك المنطقة أولاً قبل رسمها).
3. التجزئة التفاعلية (Interactive Segmentation): "ارسم الشيء الذي أشير إليه".
4. التجزئة التفسيرية (Explanatory Segmentation): "صف هذا الورم وارسمه".

ومن الأهمية بمكان أنهم فعلوا ذلك دون استخدام أي نماذج لغوية كبيرة (LLMs) خارجية لكتابة النص، مما يضمن توليد البيانات من الصور الطبية وخطوط تحديدها الموجودة حصراً.

السر الخفي: PLPO

تدريب النموذج للقيام بكل هذا ليس سوى نصف المعركة. فقد أدرك الباحثون أن النموذج يمكن أن يكتب جملة مثالية ولكنه قد يرسم خطاً سيئاً، أو العكس. ولحل هذه المشكلة، قدموا تقنية تدريب تسمى تحسين التفضيل على مستوى البكسل (Pixel-Level Preference Optimization - PLPO).

فكر في PLPO كمعلم فنون صارم لا يكتفي بتصحيح المقال فحسب، بل يصحح الرسم الذي يأتي معه أيضاً. خلال التدريب، يولد النموذج عدة إجابات مختلفة لنفس السؤال. قد تبدو بعض الإجابات رائعة ولكنها تؤدي إلى رسومات فوضوية. وقد تكون إجابات أخرى أقل بهرجة ولكنها تؤدي إلى خط تحديد مثالي. يقوم PLPO بالنظر إلى "الحقيقة الأرضية" (الرسم الصحيح والواقعي) ويصنف محاولات النموذج بناءً على مدى قرب رسوماتها من الرسم الحقيقي. ثم يعلم النموذج تفضيل الإجابات التي تؤدي إلى أفضل الرسومات. وهذا يربط "عقل" النموذج (اللغة) مع "يده" (الرسم)، مما يضمن أنه عندما يتحدث، فإنه يشير إلى المكان الصحيح.

ماذا وجدوا؟

كانت النتائج مبهرة. لم يكتفِ MedPixel بأداء جيد فحسب، بل أصبح من بين الأفضل في جميع المجالات.

• الدقة: في المهام التي كان على الذكاء الاصطناعي فيها تحديد أعضاء أو أمراض معينة، حقق MedPixel درجة Dice بلغت 85.0 لمهام "الإشارة" البسيطة و 66.7 لمهام "الاستنتاج" المعقدة (حيث كان عليه استنتاج ما سيرسمه أولاً). وكان هذا أفضل بكثير من النماذج السابقة التي حاولت القيام بكليهما.
• الاستنتاج: أظهر النموذج قدرته على التعامل مع الأسئلة الصعبة. فعلى سبيل المثال، عندما طُلب منه البحث عن منطقة مرتبطة بـ "نقص الأكسجة" (hypoxemia) و"الارتشاح الثنائي" (bilateral infiltrates)، نجح في استنتاج الهدف ورسم القناع الصحيح، وهي مهمة غالباً ما فشلت فيها النماذج الأخرى.
• المتانة: أحد أروع الاكتشافات كان كيفية تعامل النموذج مع التعليمات غير الدقيقة. إذا قدم مستخدم صندوقاً أو نقطة غير دقيقة قليلاً لتوجيه الرسم، يمكن لـ MedPixel استخدام مهاراته اللغوية لتوضيح المقصود ورسم الخط الصحيح رغم ذلك. لقد كان أكثر تسامحاً مع الخطأ البشري من نماذج "الإشارة والرسم" السابقة.
• التعميم: حتى عند اختباره على بيانات طبية لم يسبق له رؤيتها (النقل الصفري - zero-shot transfer)، تفوق MedPixel على النماذج الأخرى، مما أثبت أنه تعلم مفهوم الاستنتاج الطبي وليس مجرد حفظ صور محددة.

لماذا يهم هذا؟

يشير هذا العمل إلى أننا لسنا مضطرين للاختيار بين نموذج يمكنه التحدث ونموذج يمكنه الرسم. فمن خلال توحيدهما واستخدام طريقة تدريب ذكية تكافئ الرسومات الجيدة، يمكننا إنشاء مساعدين ذكاء اصطناعي أقرب بكثير إلى طريقة تفكير الأطباء البشر: الملاحظة، والاستنتاج، والتفسير، وتحديد المشكلات بدقة، وكل ذلك في خطوة واحدة. وبينما لا يزال النموذج يواجه بعض القيود—مثل حاجته لبيانات موجودة للتعلم من خلالها وعمله بشكل أساسي على شرائح ثنائية الأبعاد بدلاً من أحجام ثلاثية الأبعاد كاملة—إلا أنه يمثل خطوة كبيرة نحو ذكاء اصطناعي يمكنه حقاً فهم التعقيد البصري واللغوي للطب. ويؤكد المؤلفون أن هذا النهج يفتح الباب أمام أدوات طبية أكثر تفاعلية وموثوقية، حيث لا يخمن الذكاء الاصطناعي فحسب، بل يشير بدقة ويشرح بوضوح.