Artificial Intelligence in Healthcare: 2025 Year in Review
يكشف مراجعة عام ٢٠٢٥ لأبحاث الذكاء الاصطناي في الرعاية الصحية عن تضاعف حجم المنشورات تقريبًا ونضج كبير في هذا المجال، والذي يتميز بالتحول من تعلم الآلة الكلاسيكي والنماذج القائمة على النصوص فقط نحو الاعتماد السريع للنماذج التأسيسية متعددة الوسائط التي تعكس بشكل أفضل تعقيد الممارسة السريرية في العالم الحقيقي.
المؤلفون الأصليون:Edara, R., Khare, A., Atreja, A., Awasthi, R., Highum, B., Hakimzadeh, N., Ramachandran, S. P., Mishra, S., Mahapatra, D., Shree, S., Bhattacharyya, A., Singh, N., Reddy, S., Cywinski, J. B., KhannaEdara, R., Khare, A., Atreja, A., Awasthi, R., Highum, B., Hakimzadeh, N., Ramachandran, S. P., Mishra, S., Mahapatra, D., Shree, S., Bhattacharyya, A., Singh, N., Reddy, S., Cywinski, J. B., Khanna, A. K., Maheshwari, K., Papay, F. A., Mathur, P.
المؤلفون الأصليون: Edara, R., Khare, A., Atreja, A., Awasthi, R., Highum, B., Hakimzadeh, N., Ramachandran, S. P., Mishra, S., Mahapatra, D., Shree, S., Bhattacharyya, A., Singh, N., Reddy, S., Cywinski, J. B., Khanna, A. K., Maheshwari, K., Papay, F. A., Mathur, P.
تخيل عالم الرعاية الصحية كمكتبة ضخمة تعج بالحركة. لسنوات، حاول الباحثون بناء أمين مكتبة فائق الذكاء (ذكاء اصطناعي) يمكنه مساعدة الأطباء في العثور على الكتاب المناسب، أو تشخيص المريض، أو تنظيم الرفوف.
هذه الورقة البحثية هي بمثابة تقرير تقييم سنوي لتلك المكتبة، وتنظر تحديداً فيما حدث في عام 2025. إليكم قصة ذلك العام، تُروى ببساطة:
1. المكتبة تنفجر من حيث الحجم
في عام 2025، تضاعف عدد الأوراق البحثية الجديدة حول الذكاء الاصطناعي في الرعاية الصحية مقارنة بالعام السابق.
التشبيه: إذا كان عام 2024 يشبه مكتبة بلدة صغيرة تضيف بعض الكتب الجديدة، فإن عام 2025 كان أشبه ببناء جناح ضخم جديد للمكتبة فجأة وملئه بآلاف المجلدات الجديدة بين عشية وضحاها.
الخلاصة: الجميع متحمس ويعمل بجد. المجال ينمو أسرع من أي وقت مضى.
2. من "النماذج اللعبة" إلى "الأدوات الحقيقية"
لم يكتفِ المؤلفون بعدّ كل ورقة بحثية؛ بل قاموا بتصفيتها للعثين على الأبحاث "الناضجة".
التشبيه: فكر في أبحاث الذكاء الاصطناكن المبكرة كأطفال يلعبون بسيارات لعبة في صندوق الرمل. كانت ممتعة، لكنها لم تكن تستطيع قيادتك إلى المتجر حقاً. في عام 2025، بدأنا نرى سيارات حقيقية تعمل. هذه هي الدراسات التي يساعد فيها الذكاء الاصطناعي الطبيب فعلياً في اتخاذ قرار أو يحسن رعاية المرضى في مستشفى حقيقي، وليس فقط في محاكاة حاسوبية.
الخلاصة: المجال ينضج. نحن ننتقل من مرحلة "ماذا لو؟" إلى مرحلة "هذا يعمل بالفعل".
3. التحول: من "العقول أحادية المسار" إلى "الأدمغة الخارقة"
هذه هي القصة الأكبر في عام 2025.
الطريقة القديمة (النصوص فقط): لفترة من الوقت، كانت أذكى أدوات الذكاء الاصطناعي تشبه القراء السريعين جداً. كان بإمكانها قراءة الملاحظات الطبية وكتابة الملخصات، لكنها لم تكن تستطيع النظر إلى صورة أشعة أو الاستماع إلى صوت القلب. كانت متخصصة في "النصوص فقط".
الطريقة الجديدة (متعددة الوسائط): في عام 2025، شهدنا طفرة هائلة في النماذج التأسيسية متعددة الوسائط (Multimodal Foundation Models).
التشبيه: تخيل ترقية أمين المكتبة الخاص بك من شخص يقرأ الكتب فقط إلى عبقري خارق يمكنه قراءة كتاب، والنظر إلى لوحة، والاستماع إلى أغنية، وفهم مخطط بياني، وكل ذلك في وقت واحد.
لماذا يهم هذا الأمر: الحياة الواقعية فوضوية. الطبيب لا يكتفي بقراءة ملف المريض فحسب؛ بل ينظر إلى وجه المريض، ويستمع إلى تنفسه، ويراجع صور الأشعة الخاصة به. هذه "الأدمغة الخارقة" الجديدة يمكنها القيام بكل ذلك معاً، تماماً كما يفعل الطبيب البشري.
4. من يقود السباق؟
أبطال الصور: لا تزال الأشعة والتصوير (الأشعة السينية، الرنين المغناطيسي، الأشعة المقطعية) هي ملوك الساحة. لديهم أكبر قدر من الأبحاث لأن الصور أسهل للكمبيوتر في تحليلها من اللغة البشرية المعقدة.
المتحدون الجدد: ومع ذلك، فإن "الأدمغة الخارقة" (النماذح متعددة الوسائط) بدأت تسيطر بسرعة على أقسام أخرى مثل الجراحة، وعلم الأورام (السرطان)، وطب العيون. إنها تتعلم دمج الصور مع النصوص لتقديم تشخيصات أفضل.
البيروقراطيون: هناك أيضاً قدر مفاجئ من الأبحاث التي تجري في مجالات الإدارة والتعليم. يُستخدم الذكاء الاصطناعي لكتابة رسائل المرضى، وإنشاء أسئلة الامتحانات للطلاب، وتنظيم الأوراق الإدارية في المستشفيات.
5. "الحرس القديم" يتراجع
للمرة الأولى، انخفض استخدام نماذج الذكاء الاصطناعي الأقدم والأبسط (التي تسمى "تعلم الآلة الكلاسيكي").
التشبيه: الأمر يشبه اختراع الهاتف الذكي. بمجرد أن تمتلك جهازاً يمكنه فعل كل شيء (التقاط الصور، تشغيل الموسيقى، الملاحة، وتصفح الإنترنت)، تتوقف عن استخدام الهاتف التقليدي، ومشغل الموسيقى، والخريطة الورقية بشكل منفصل.
الخلاصة: يتخلى الباحثون عن الأدوات البسيطة لصالح "الأدمغة الخارقة" القوية والشاملة لأنها تستطيع التعامل مع المشكلات الطبية المعقدة بشكل أفضل.
6. ما التالي؟
تخلص الورقة البحثية إلى أننا عند نقطة تحول.
المستقبل: نحن ننتقل نحو مستقبل لا يكتفي فيه الذكاء الاصطناعي بالجلوس في الكمبيوتر بانتظار سؤال ما. إنه يتحول إلى شريك نشط يمكنه الرؤية، والسمع، والقراءة، والتفكير عبر أنواع مختلفة من البيانات.
العقبة: بينما التكنولوجيا مذهلة، لا نزال بحاجة للتأكد من أن هذه الأدوات آمنة، ومختبرة، ومفيدة حقاً في المستشفيات الواقعية قبل أن تصبح هي المعيار السائد.
ملخص في جملة واحدة
في عام 2025، توقف الذكاء الاصطناعي في الرعاية الصحية عن اللعب بألعاب النصوص البسيطة وبدأ في بناء أدمغة خارقة متعددة اللغات والحواس، يمكنها النظر إلى الأشعة السينية، وقراءة تاريخ المريض، والاستماع إلى نبضات القلب جميعها في آن واحد، مما يقربنا خطوة عملاقة نحو ذكاء اصطناعي يعمل حقاً مثل الطبيب البشري.
إليك ملخص تقني مفصل لورقة البحث بعنوان "الذكاء الاصطناعي في الرعاية الصحية: مراجعة عام 2025".
1. بيان المشكلة
يشهد مجال الذكاء الاصطناعي (AI) في الرعاية الصحية نمواً هائلاً، مدفوعاً بالطفرات في بنية النماذج وتوفر البيانات. ومع ذلك، فإن المشهد يتغير بسرعة من الأبحاث الاستكشافية إلى التطبيقات الواقعية.
التحدي: هناك حاجة لتتبع وقياس نضج المجال، وتحديداً الانتقال من التعلم الآلي التقليدي (ML) والنماذج اللغوية الكبيرة (LLMs) المقتصرة على النصوص فقط إلى نماذج التأسيس متعددة الوسائط (Multimodal Foundation Models) التي تعكس الطبيعة المتنوعة للبيانات السريرية (الصور، النصوص، الصوت، والبيانات الجدولية).
الفجوة: ركزت المراجعات السابقة بشكل كبير على النماذج القائمة على النصوص. وهناك نقص في التحليل الشامل، من سنة إلى أخرى، حول اعتماد نماذج التأسيس عبر مختلف التخصصات السريرية، وأنواع البيانات، و"نضج" هذه الدراسات (أي ما إذا كانت تقدم تأثيراً سريرياً قابلاً للتنفيذ).
2. المنهجية
أجرى المؤلفون مراجعة منهجية للأدبيات المنشورة في عام 2025، باستخدام نهج هجين يجمع بين التصنيف الآلي والتنقيح اليدوي.
مصدر البيانات: بحث في قاعدة بيانات PubMed مقتصر على الأبحاث باللغة الإنجليزية والتي أجريت على البشر.
استعلام البحث: المصطلحات "machine learning" OR "artificial intelligence" AND "2025".
معايير الاشتمال والاستبعاد:
المستبعد: النسخ الأولية (Pre-prints)، الدراسات الحيوانية، دراسات الجراحة الروبوتية (بدون ذكاء اصطناعي)، المراجعات المنهجية، والمنشورات غير الإنجليزية.
فلتر النضج: تم استخدام مصنف تعلم عميق يعتمد على نموذج BERT (مدرب مسبقاً على بيانات مصنفة يدوياً) لفحص المنشورات. تم تصنيف الدراسة على أنها "ناضجة" (Mature) إذا كان نتاجها له تأثير مباشر وقابل للتنفيذ على رعاية المرضى (مثل توفير معلومات للمقدمين أو للأنظمة الآلية). تم استبعاد المراجعات المنهجية من عدّ المنشورات "الناضجة".
الترميز اليدوي: قام خمسة مراجعين بترميز المنشورات "الناضجة" المتبقية يدوياً (عددها 2,966) وفقاً لـ:
نوع النموذج: التعلم العميق التقليدي (DL)، التعلم الآلي الكلاسيكي، الذكاء الاصطناعي العام، الإحصائي، معالجة اللغات الطبيعية (NLP)، النماذج اللغوية الكبيرة (LLM)، نماذج الرؤية الكبيرة (FM-LVM)، والنماذج متعددة الوسائط (FM-MM).
النطاق الزمني: تغطي الدراسة عام 2025، مع بيانات مقارنة من 2019-2024 لتحديد الاتجاهات.
3. المساهمات الرئيسية
تحليل التحول الكمي: تقدم الدراسة أول بيانات شاملة تظهر تراجع التعلم الآلي الكلاسيكي وطفرة نماذج التأسيس متعددة الوسائط في عام 2025.
تصنيف النضج: تقدم طريقة دقيقة وقابلة للتكرار للتمييز بين أبحاث الذكاء الاصطناعي الاستكشافية والأبحاث "الناضجة" ذات القابلية للتطبيق السريري المباشر.
رؤى خاصة بالتخصصات: تفكك الدراسة اعتماد الذكاء الاصطناعي حسب التخصص، موضحة أنه بينما يتصدر مجال التصوير (Imaging)، فإن مجالات أخرى (الجراحة، الأورام، الرأس والرقبة) تتبنى نماذج التأسيس بسرعة.
تحديد اتجاهات تعدد الوسائط: توثق الدراسة نقطة التحول الحرجة حيث ينتقل البحث من النماذج اللغوية الكبيرة المقتصرة على النصوص إلى النماذج القادرة على معالجة الصور والنصوص والصوت في آن واحد.
4. النتائج الرئيسية
حجم المنشورات والنضج
إجمالي المنشورات: 49,394 (ما يقرب من ضعف عدد منشورات 2024 البالغ 28,180).
المنشورات الناضجة: تم تحديد 3,366 منشوراً كمنشورات ناضجة؛ 2,966 منها أُدرجت في التحليل النهائي بعد الاستبعادات (ارتفاعاً من 1,946 في 2024).
اتجاهات بنية النماذج
هيمنة نماذج التأسيس: لا تزال النماذج اللغوية الكبيرة (LLMs) التقليدية القائمة على النصوص هي النوع الأكثر استخداماً (1,019 منشوراً)، ولكن نماذج التأسيس متعددة الوسائط (FM-MM) شهدت طفرة هائلة من 25 (في 2024) إلى 144 (في 2025).
التعلم العميق: زادت نماذج التعلم العميق التقليدية (DL) بشكل كبير لتصل إلى 910 منشورات.
تراجع التعلم الآلي الكلاسيكي: لأول مرة، انخفضت المنشورات التي تستخدم نماذج التعلم الآلي الكلاسيكية (173 منشوراً).
"الصناديق السوداء" المملوكة: وقع جزء كبير من الدراسات ضمن فئة "الذكاء الاصطناعي العام"، والتي غالباً ما تتضمن نماذج مملوكة لم تُكشف بنيتها المعمارية المحددة.
أنواع البيانات
الصورة: تظل نوع البيانات المهيمن (53.9%).
النص: ثاني أكثر الأنواع شيوعاً (38.2%).
الصوت: زيادة ملحوظة لتصل إلى 1.2%، وهو ما يترابط مع صعود النماذج متعددة الوسائط.
تعدد الوسائط: 94 منشوراً (3.1%) جمعت بين أنواع البيانات (مثل صورة + نص)، مدفوعة بتبني نماذج التأسيس.
توزيع التخصصات (المنشورات الناضجة)
أهم التخصصات:
التصوير/الأشعة: 976 منشوراً (القائد المهيمن).
الإداري: 277.
عام: 251.
الرأس والرقبة: 185.
التعليم: 181.
تبني نماذج التأسيس: تصدرت تخصصات التصوير (110)، الرأس والرقبة (92)، الجراحة (64)، الأورام (55)، وطب العيون (49) قائمة التخصصات السريرية التي تستخدم نماذج التأسيس. كانت المهام الإدارية والتعليمية مدفوعة بشكل كبير بالنماذج اللغوية الكبيرة (LLMs).
5. الأهمية والخاتمة
نضج المجال: يشير تضاعف المنشورات الناضجة والتحول بعيداً عن التعلم الآلي الكلاسيكي إلى أن المجال ينتقل من مرحلة "إثبات المفهوم" إلى "التقييم في العالم الحقيقي".
نقطة التحول: تشير الطفرة في نماذج التأسيس متعددة الوسائط إلى أن أنظمة الذكاء الاصطناعي بدأت تحاكي تعقيد الممارسة السريرية الواقعية، والتي نادراً ما تعتمد على نوع واحد من البيانات.
التكامل السريري: بينما يظل التصوير هو المحرك الرئيسي، فإن توسع نماذج التأسيس في الجراحة والأورام وعلم الأمراض يشير إلى تكامل سريري أوسع.
النظرة المستقبلية: يتوقع المؤلفون استمرار النمو في تقييم أدوات الذكاء الاصطناعي المملوكة، وتنفيذ الذكاء الاصطناعي الوكيل (Agentic AI) (الوكلاء المستقلين)، وتوسع تطبيقات تعدد الوسائط. تسلط الدراسة الضوء على الحاجة إلى موارد لتعزيز البحث في التخصصات التي لا تزال متأخرة عن مجال التصوير.
المحددات: تقتصر الدراسة على قاعدة بيانات PubMed (مما قد يؤدي لفقدان الأبحاث غير المفهرسة) وتعتمد على الترميز اليدوي الذي، رغم كونه أكثر دقة من النماذج اللغوية الكبيرة لهذه المهمة، إلا أنه قد ينطوي على نوع من الذاتية.