📄 radiology and imaging

AUTONOMOUS LOOP CONSTRUCTION AND SUPERVISION FOR CLINICIAN-ORIENTED MEDICAL-AI RESEARCH

تقدم هذه الورقة MARLA، وهو إطار عمل وكيل (agentic framework) يُمكّن الأطباء من إجراء أبحاث الذكاء الاصطناً الطبي متعدد الوسائط المعقدة بشكل مستقل عبر الترجمة التلقائية لأهداف الدراسة عالية المستوى إلى حلقات بحثية قابلة للتنفيذ وذاتية التصحيح، مما يلغي الحاجة إلى خبرة متخصصة في الذكاء الاصطناعي.

المؤلفون الأصليون: Chen, X., Jiang, X., Shan, C., Wang, Z., Li, D., Zhao, C.

نُشر 2026-08-25

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Chen, X., Jiang, X., Shan, C., Wang, Z., Li, D., Zhao, C.

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل

غالباً ما يُوصف الوعد الذي يقدمه الذكاء الاصطناًعي في الطب بأنه جسر يربط بين كميات هائلة من بيانات المرضى والحاجة البشرية إلى إجابات أكثر وضوحاً. لقد امتلك الأطباء والباحثون منذ زمن طويل القدرة على تحديد الأسئلة الحرجة حول الأمراض وجمع الأدلة اللازمة، مثل الصور الطبية، والملفات الجينية، والملاحظات السريرية. ومع ذلك، فإن تحويل هذه الأصول الخام إلى نموذج حاسوبي فعال يمكنه التعلم منها كان يتطلب تقليدياً تعاوناً نادراً وصعباً؛ فقد استلزم الأمر فريقاً يعمل فيه طبيب، يفهم بيولوجيا المرض، جنباً إلى جنب مع عالم حاسوب، يفهم كيفية بناء البرمجيات التي تعالج البيانات. كانت هذه الشراكة غالباً بطيئة ومكلفة، ومحدودة بتوفر الخبراء الذين يمكنهم التحدث بكلتا اللغتين. وقد شهد المجال مؤخراً صعود النماذج اللغوية الكبيرة، وهي أنظمة قوية قادرة على كتابة الأكواد البرمجية والتفكير في المشكلات المعقدة. قدمت هذه الأدوات بصيصاً من الأمل في إمكانية خفض الحاجز التقني، مما يسمح للطبيب ببناء ذكائه الاصطناعي المتخصص دون الحاجة إلى فريق مخصص من المهندسين. ومع ذلك، ظل هناك عائق كبير: فبينما كانت هذه الأدوات قادرة على كتابة الأكواد، إلا أنها كافحت لإدارة العملية الكاملة والفوضوية للبحث الطبي، والتي تتضمن الاختبار المستمر، وإصلاح الأخطاء، وتعديل الاستراتيجيات عندما تسوء الأمور.

يهدف نظام جديد يسمى "مارلا" (MARLA)، طوره باحثون من جامعة تونغجي وشركة مايكروسوفت للأبحون الآسيوية، إلى إزالة هذا الحاجز الأخير. فبدلاً من مجرد العمل كأداة تكتب الأكواد عند الطلب، يعمل "مارلا" كمشرف مستقل يدير دورة الحياة الكاملة لمشروع الذكاء الاصطناعي الطبي. صمم الباحثون هذا النظام ليتلقى هدفاً رفيع المستوى من الطبيب، مثل "التنبؤ بالمرضى المصابين بسرطان الكلى الذين هم أكثر عرضة لخطر الوفاة"، ويقوم تلقائياً بتفكيكه إلى سلسلة منظمة من الخطوات. لا يقوم النظام بمجرد تخمين الحل؛ بل يبني حلقة بحث هرمية، حيث يقسم الهدف الرئيسي إلى مهام أصغر يمكن إدارتها، مثل معالجة أنواع مختلفة من الصور أو تحليل السجلات النصية، ثم ينظم هذه المهام بحيث تغذي نتائج إحدى الخطوات الخطوة التالية بشكل طبيعي. وإذا واجه النظام مشكلة، فإنه لا يتوقف ببساطة، بل يعمل كمدير مشروع يراقب العمل، ويحدد سبب فشل تجربة معينة، ويقرر ما إذا كان سيعدل النهج، أو يجرب طريقة مختلفة، أو يعيد تشغيل جزء معين من العملية بتعليمات جديدة.

ولاختبار ما إذا كان هذا النهج يمكن أن ينجح حقاً في العالم الحقيقي، طبق الفريق "مارلا" على تحديين طبيين متميزين. تضمن الأول التنبؤ بمعدلات البقاء على قيد الحياة للمرضى المصابين بنوع معين من سرطان الكلى باستخدام مزيج من الملاحظات السريرية، وصور الأشعة المقطعية (CT)، والصور المجهرية لشرائح الأنسجة. أما التحدي الثاني فقد ركز على تشخيص وتتبع تطور مرض الزهايمر باستخدام صور الدماغ ونتائج الاختبارات المعرفية. في هذه التجارب، مُنح "مارلا" فقط سؤال البحث الأولي والبيانات الخام، ثم تعامل النظام ذاتياً مع تنظيف البيانات، واختيار النماذج الحاسوبية المناسبة، وعملية التدريب، وتقييم النتائج. كانت النتائج مذهلة؛ ففي دراسة سرطان الكلى، حقق "مارلا" درجة أداء بلغت 0.889 عند دمج الأنواع الثلاثة من البيانات، متفوقاً بشكل ملحوظ على الأنظمة المؤتمتة الأخرى التي عانت في التحسن عند إضافة أنواع أكثر من البيانات. وفي دراسة الزهايمر، نجح النظام في اجتياز مهام التصنيف المعقدة، وغالباً ما طابق أو تجاوز أداء الوكلاء الطبية الحيوية المتخصصة التي صُممت خصيصاً لتلك المجالات.

إن أحد النتائج الرئيسية للبحث هو أن نجاح النظام يعتمد بشكل كبير على قدرته على التعلم من أخطائه ونجاحاته السابقة. فبينما يعمل "مارلا" في مشروع ما، فإنه يلتقط تفاصيل ما نجح وما فشل، ويخزن هذه المعلومات كـ "مهارات" قابلة لإعادة الاستخدام. وعندما ينتقل النظام من مهمة أبسط، مثل تحليل نوع واحد فقط من الصور، إلى مهمة أكثر تعقيداً تتضمن أنواعاً متعددة من البيانات، يمكنه تطبيق الدروس المستفادة سابقاً. وجد الباحثون أنه عندما سُمح لـ "مارلا" باستخدام هذه المهارات المتراكمة، لم ينتج نتائج أفضل فحسب، بل أنجز العمل بشكل أسرع أيضاً، مما قلل الوقت اللازم لإنشاء الكود البرمجي للتطوير متعدد الوسائط اللاحق بنسبة 26.6% (من 23.3 دقيقة إلى 17.1 دقيقة). يشير هذا إلى أن النظام ليس مجرد اتباع لمجموعة صارمة من التعليمات، بل هو يتكيف بصدق مع استراتيجيته بناءً على الخبرة. علاوة على ذلك، أثبت النظام متانة في التعامل مع التعقيدات الواقعية، مثل البيانات المفقودة أو الأخطاء في كيفية تسمية البيانات. في إحدى الحالات، اكتشف "مارلا" خطأً خفياً حيث تم تصنيف بعض صور المرضى بشكل خاطئ، فتوقف عن التدريب، وصحح البيانات، ثم استأنف العمل، مما أدى في النهاية إلى تحسين دقة التنبؤ النهائي.

كما استكشفت الدراسة كيفية أداء النظام عند بنائه على "أدمغة حاسوبية" مختلفة، والمعروفة بالنماذج اللغوية الكبيرة. وسواء استخدم الباحثون نموذجاً أكثر قوة أو نموذجاً أصغر وأكثر كفاءة، فقد قدم "مارلا" باستمرار نتائج قوية. يشير هذا إلى أن قيمة النظام تكمن في منهجيته في تنظيم والإشراف على عملية البحث، وليس في الذكاء المحدد للأداة التي يستخدمها لكتابة الكود. وأشار الباحثون صراحة إلى أن نظامهم ليس عصا سحرية تحل كل المشكلات الطبية فوراً، فهو لا يزال يتطلب من الطبيب تحديد الهدف الأولي ومراجعة الخطة النهائية. ومع ذلك، فإن هذا العمل يوضح أن العمل الشاق المتمثل في ترجمة سؤال سريري إلى نموذج ذكاء اصطناعي فعال يمكن الآن التعامل معه ذاتياً. ومن خلال إدارة الحلقة المعقدة من التخطيط والبناء والاختبار والتحسين، يتيح "مارلا" للأطباء التركيز على علم المرض بينما يتولى النظام هندسة الحل. يشير هذا التحول إلى مستقبل لا يكون فيه الفجوة بين رؤية الطبيب وأداة الذكاء الاصطناعي الوظيفية عائقاً من حيث الخبرة، بل عملية يمكن إدارتها بواسطة نظام واحد ذكي.

أبحاث مشابهة