Evaluation of Clinically Steerable Retinal Image Generation from Foundation Model Latent Spaces

تخيل أنك تحاول تعليم روبوت رسم صور لعين الإنسان، ليس فقط لتبدو جميلة، بل لتخبر الطبيب بدقة ما هو الخطب في صحة المريض. هذا هو عالم التصوير الطبي، حيث تتعلم الحواسيب رؤية الأنماط في الصور التي قد تغفل عنها العيون البشرية. وللقيام بذلك، يستخدم العلماء "النماذج التأسيسية" (foundation models)، وهي تشبه الطلاب الأذكياء جداً الذين قرأوا ملايين الكتب الطبية (في هذه الحالة، ملايين صور العيون) دون أن يتم إخبارهم بالإجابات. تتعلم هذه النماذج فهم "لغة" العين، وتنشئ خريطة مخفية لما تبدو عليه العيون السليمة والمريضة. السؤال الكبير الذي يطرحه العلماء هو: هل يمكننا استخدام هذه الخريطة المخفية ليس فقط لفهم العيون، بل لـ "إنشاء" صور عيون جديدة ومزيفة تكون واقعية ودقيقة للغاية بحيث يمكنها المساعدة في تدريب أطباء آخرين أو اختبار علاجات جديدة؟ إذا استطعنا توجيه نماذج الذكاء الاصطني هذه لرسم عيون بصفات محددة — مثل ارتفاع ضغط الدم أو تاريخ من مشاكل القلب — فقد نتمكن من توليد بيانات تدريب لا حصر لها دون الحاجة إلى مرضى حقيقيين. ولكن هناك عقبة: مجرد أن الذكاء الاصطناعي يعتقد أنه يرسم عيناً مريضة مثالية، هل تبدو بالفعل كعين مريضة حقيقية لطبيب بشري أو لبرنامج كمبيوتر آخر؟

تتعمق هذه الورقة البحثية في هذا التحدي تحديداً من خلال اختبار أربعة نماذج ذكاء اصطناعي مختلفة من نوع "الطالب الذكي جداً" المصممة لتصوير الشبكية (العين). أراد الباحثون معرفة ما إذا كان بإمكانهم استخدام هذه النماذج كمخطط لتوليد صور عيون اصطناعية تحمل بأمانة معلومات صحية محددة، مثل العمر، أو الجنس، أو خطر الإصابة بنوبات قلبية مستقبلاً. استخدموا حيلة ذكية من خطوتين: أولاً، علموا "مولداً" (generator) كيف يخلق "فكرة" العين بناءً على البيانات الصحية (مثل "هذا الشخص عمره 60 عاماً ويعاني من ارتفاع ضغط الدم")، ثم استخدموا "مفكك شفرة" (decoder) لتحويل تلك الفكرة إلى صورة كاملة الألوان.

كانت النتائج مزيجاً من الاندهاش والانتظار. عندما فحص الباحثون الصور المولدة باستخدام نفس نموذج الذكاء الاصطناعي الذي أنشأها، كانت النتائج رائعة. كانت الصور المزيفة مثل نسخ كربونية مثالية؛ فقد حملت كل المعلومات الصحية المشفرة في عقل الذكاء الاصطناعي. إذا قيل للذكاء الاصطناعي أن يرسم عيناً لشخص عمره 60 عاماً ويعاني من ارتفاع ضغط الدم، فإن الصورة الناتجة كانت مقنعة للغاية لدرجة أن الاختبارات الداخلية للذكاء الاصطناعي نفسه قالت: "نعم، هذه بالتأكيد عين لشخص عمره 60 عاماً ويعاني من ارتفاع ضغط الدم". في الواقع، كانت هذه الابتكارات القائمة على النماذج التأسيسية غالباً أفضل في الحفاظ على هذه التفاصيل من أدوات الرسم القياسية بالذكاء الاصطناعي.

ومع ذلك، تأخذ القصة منعطفاً عندما خرج الباحثون من فقاعتهم الخاصة. لقد أخذوا هذه الصور الجميلة للعين المولدة بالذكاء الاصطناعي، وعرضوها على برنامج كمبيوتر قياسي مختلف تماماً (مصنف ResNet)، والذي لم يرَ سوى صور عيون بشرية حقيقية. فجأة، تلاشت السحر. الصور المزيفة، التي بدت مثالية للذكاء الاصطناعي الذي صنعها، واجهت صعوبة في خداك "الطرف الخارجي". لقد وجد البرنامج القياسي صعوبة أكبر بكثير في تخمين العمر أو الحالات الصحية من الصور الاصطناعية مقارنة بالصور الحقيقية. يبدو الأمر كما لو أن الذكاء الاصطناعي تعلم التحدث بلهجة محددة جداً من "لغة العين" لا يفهمها إلا هو. وبينما بدت الصور واقعية للعين البشرية، إلا أنها افتقرت إلى الأنسجة الدقيقة والواقعية التي تعتمد عليها الحواسيب الأخرى لإجراء التشخيصات.

تخلص الورقة إلى أنه بينما تعد هذه النماذج التأسيسية أدوات قوية لإنشاء صور عيون قابلة للتحكم ومرتبطة بالصحة، إلا أنه لا تزال هناك "فجوة ترجمة" بين ما يعتقده الذكاء الاصطناعي كونه حقيقياً وبين ما يراه بقية العالم. أحد النماذج، المسمى URFound، والذي تم تدريبه على صور العيون والمسوحات الطبية الأخرى، قام بأفضل مهمة لجس هذه الفجوة، ومع ذلك لم يكن مثالياً. يقترح المؤلفون أنه بينما نقترب من القدرة على توليد بيانات طبية مفيدة عند الطلب، فإننا لا نزال بحاجة إلى تعليم نماذج الذكاء الاصطنا هذه التحدث بلغة متوافقة مع العالم الحقيقي، وليس فقط مع منطقها الداخلي الخاص. وإلى أن تُغلق هذه الفجوة، يجب أن نكون حذرين بشأن افتراض أن صورة طبية مثالية مولدة بالذكاء الاصطناعي جاهزة لتحل محل بيانات المرضى الحقيقيين في المهام الطبية الحرجة.