Schema-enforced large language model framework for sarcoma tumor board simulation: a methodology development and reproducibility pilot study
طورت هذه الدراسة وثبّتت إطار عمل لنماذج لغوية كبيرة تفرض مخططاً هيكلياً، مما يحقق قابلية عالية لإعادة الإنتاج ويقضي على الهلوسة الهيكلية في محاكاة قرارات مجلس أورام الساركوما، مما يؤسس لمنهجية قوية لدراسات المطابقة المستقبلية مقابل نتائج الفرق متعددة التخصصات التاريخية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول تعليم روبوت فائق الذكاء ومطلع للغاية، كيف يتصرف كفريق من الأطباء الخبراء. هؤلاء الأطباء، الذين يُطلق عليهم اسم "مجلس الأورام"، يجتمعون لمناقشة حالات السرطان المعقدة واتخاذ أفضل خطة علاجية. إنهم صناع القرار النهائيون، حيث يجمعون بين معرفة الجراحين، وأطباء الأشعة، وأطباء الأورام لإنقاذ الأرواح. ولكن هناك عقبة، وهي أنك تحاول تدريب روبوت هو في الواقع "نموذج لغوي كبير" (LLM). فكر في النموذج اللغوي الكبير كأنه موسوعة رقمية قرأت كل ما كُتب تقريباً، لكن لديها عادة مشاكسة؛ ففي بعض الأحيان، عندما يُسأل عن سؤال طبي محدد، قد يخترع بثقة دراسة طبية مزيفة، أو يبتكر إحصائية لا وجود لها، أو يعطي إجابة مختلفة إذا سألته السؤال نفسه تماماً مرتين. يُسمى هذا "الهلوسة"، وهي تشبه طالباً يخمن الإجابة في الاختبار لأنه خائف جداً من قول "لا أعرف".
بالنسبة للأطباء، هذه مشكلة كبيرة. فإذا قدم الروبوت خطة علاجية تتغير في كل مرة تسأله فيها، أو اخترع قاعدة غير موجودة، فلن يتمكن أحد من الوثوق به للمساعدة في إنقاذ مريض. السؤال الكبير في هذا الركن من العلم هو: هل يمكننا بناء "حاجز حماية" لهذه الروبوتات؟ هل يمكننا إجبارها على التوقف عن التخمين واختلاق الحقائق، وبدلاً من ذلك، منحنا نفس الإجابة الدقيقة والموثوقة في كل مرة نسألها؟ إذا استطعنا فعل ذلك، فربما يمكن لهذه الروبوتات أن تصبح مساعدات مفيدة في عيادة الطبيب، تساعد في التدقيق في الخطط أو تنظيم المعلومات المعقدة دون خطر اختلاق معلومات خاطئة.
كتاب قواعد الروبوت الجديد
في هذه الدراسة، قرر فريق من الباحثين من مستشفى جامعة شليسفيغ هولشتاين في ألمانيا اختبار ما إذا كان بإمكانهم بناء مثل هذا الحاجز لحماية روبوت يساعد في نوع معين وصعب للغاية من السرطان: الساركوما (الأورام اللحمية). الساركوما هي أورام نادرة يمكن أن تنمو في العظام أو الأنسجة الرخوة، ولأن هناك أنواعاً كثيرة منها، فهي تشبه لغزاً لا تتطابق قطعُه بسهولة. أراد الباحثون معرفة ما إذا كان بإمكانهم جعل الروبوت يعمل كـ "مجلس أورام" لهذه الحالات دون أن يرتبك الروبوت أو يختلق أشياءً من خياله.
وللقيام بذلك، لم يكتفوا بسؤال الروبوت "ماذا يجب أن نفعل؟" كما في الدردشة العادية؛ بل بنوا "كتاب قواعد" صارماً ليلتزم به الروبوت. تخيل أنك تلعب لعبة فيديو حيث لا يمكنك كتابة أي شيء تريده، بل يجب عليك اختيار إجاباتك من قائمة محددة. إذا حاولت كتابة شيء ليس في القائمة، فإن اللعبة ببساطة لن تسمح لك بالضغط على زر "إدخال". فعل الباحثون شيئاً مشابهاً؛ فقد أجبروا الروبوت على إخراج إجاباته بتنسيق محدد للغاية يسمى JSON (وهي مجرد طريقة متطورة لتنظيم البيانات مثل نموذج رقمي). لقد أعطوا الروبوت قائمة مكونة من 21 سؤالاً محدداً كان عليه الإجابة عليها، مثل "ما نوع الجراحة؟" أو "كم مقدار الإشعاع؟" وأجبروه على اختيار إجاباته من قائمة معتمدة مسبقاً. وإذا حاول الروبوت اختراع خيار جديد أو ابتكار دليل طبي مزيف، فإن النظام سيرفضه فوراً.
الاختبار الكبير
أخذ الفريق 51 حالة حقيقية، لكنها مجهولة الهوية تماماً، من سجلات المستشفى لديهم. غطت هذه الحالات مختلف المرضى، والأعمار، وأنواع الأورام. طلبوا من الروبوت حل اللغز لكل حالة، لكنهم لم يسألوه مرة واحدة فقط، بل سألوه نفس السؤال ثلاث مرات لكل حالة. كان الهدف من ذلك هو معرفة ما إذا كان الروبوت سيعطي نفس الإجابة في كل مرة، أم أنه سيتقلب في رأيه مثل رمية العملة المعدنية.
كانت النتائج جيدة بشكل مفاجئ. فعندما أُجبر الروبوت على استخدام كتاب القواعد الصارم هذا، قدم الإجابة نفسها لـ 93.9% من القرارات عبر المحاولات الثلاث. وهذا يعني أنه من بين أكثر من 1,000 قرار محدد كان على الروبوت اتخاذها، لم يغير رأيه إلا في 6% من الحالات. والأفضل من ذلك، أن الروبوت توقف تماماً عن اختلاق حقائق مزيفة. في الماضي، ربما كانت الروبوتات تخترع دراسة طبية مزيفة لدعم ادعاء ما، ولكن في هذا الاختبار، لم تظهر دراسة دليل واحدة مزيفة أو إحصائية مختلقة. لقد اختفت "الهلوسات".
أين يتردد الروبوت؟
ومع ذلك، لم يكن الروبوت مثالياً. فالحالات القليلة التي غير فيها رأيه لم تكن بسبب الارتباك أو اختلاق أشياء، بل حدثت في مواقف قد يختلف فيها حتى الأطباء البشر. على سبيل المثال، عند اتخاذ قرار بشأن أفضل طريقة لإعادة بناء جزء من الجسم بعد الجراحة (إعادة البناء)، كان الروبوت يتأرجح أحياناً بين "اللسان الموضعي" و"اللسان ذو الساق". لاحظ الباحثون أن هذا ليس خطأً، بل هو واقع أن كلا الخيارين غالباً ما يكونان صالحين، وقد يختار الجراحون المختلفون أحدهما بناءً على أسلوبهم الخاص. وبالمثل، تباين الروبوت أحيناً في تحديد جرعة الإشعاع الدقيقة، لكن جميع الجرعات التي اختارها كانت ضمن النطاق الآمن والمقبول للأطباء.
تسببت حالة واحدة محددة، تتعلق بمريض مسن يعاني من ورم بطيء النمو، في أكبر قدر من الصعوبة. لم يستطع الروبوت الحسم بين مراقبة الورم أو إجراء عملية جراحية له. أدرك الباحثون أن هذا ليس خللاً برمجياً، بل هو ميزة؛ ففي هذه الحالة المحددة، حتى فريق من الأطباء البشر قد يختلف حول المسار الأفضل. لقد أظهر الروبوت بشكل صحيح أنه لا توجد إجابة واحدة "صحيحة" هنا.
ماذا يعني هذا؟
الاستنتاج الرئيسي من هذه الدراسة هو أنه من خلال وضع هذه "حواجز الحماية" الصارمة على الروبوت، جعل الباحثون منه أكثر موثوقية. لقد أثبتوا أنه إذا أجبرت الروبوت على اتباع تنسيق مهيكل، فإنه يتوقف عن اختلاق الحقائق ويبدأ في تقديم إجابات متسقة. هذا لا يعني أن الروبوت جاهز لاستبدال الأطباء غداً؛ فالدراسة اختبرت فقط ما إذا كان الروبوت "متسقاً"، وليس ما إذا كانت نصيحته الطبية هي "الأفضل". لكن هذه خطوة كبيرة للأمام. فهي تظهر أنه يمكننا بناء نظام يكون فيه الروبوت أداة مستقرة ومتوقعة لا تكذب ولا تتقلب في آرائها، وهي الخطوة الأولى نحو السماح له بمساعدة الأطباء في اتخاذ قرارات حقيقية في المستقبل. يخطط الباحثون الآن لاختبار ما إذا كانت هذه الإجابات المتسقة تتطابق بالفعل مع ما كان سيقرره الأطباء البشر، ولكن في الوقت الحالي، نجحوا في تعليم الروبوت كيف يلتزم بالقواعد.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.