GPT Fusion: Integrating Convolutional Neural Networks with GPT-5.5 for Melanoma Diagnosis
تقدم هذه الورقة "GPT Fusion"، وهو إطار تشخيصي هجين يعمل فيه GPT-5.5 كمحرك استدلال لدمج تنبؤات نماذج CNN المتخصصة، مما يتفوق بشكل كبير على كل من النماذج اللغوية الكبيرة القائمة على الصور والشبكات العصبية التلافيفية (CNN) المنفردة في دقة تشخيص الميلانوما وقابلية التفسير.
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 حل لغز ما، ولكن لديك نوعان مختلفان تماماً من المحققين في فريقك. المحقق الأول هو "سيد الأنماط". لقد قضى هذا المحقق سنوات في التحديق في ملايين الصور لبقع الجلد، حيث تعلم كيفية رصد أدق الفروقات وأكثرها دقة بين الشامة غير الضارة وسرطان الجلد الخطير. إنه سريع ودقيق للغاية في النظر إلى الصورة نفسها، لكنه لا يستطيع حقاً شرح لماذا يعتقد أن شيئاً ما خطير، ولا يمكنه الدردشة معك حول التاريخ المرضي للمريض. أما المحقق الثاني فهو "المفكر الخارق". إنه محاور بارع، يمكنه قراءة تقرير، وفهم القواعد الطبية المعقدة، وشرح الأشياء بوضوح وباللغة الإنجليزية البسيطة. ومع ذلك، إذا سلمته صورة فقط دون ملاحظات، فقد يرتبك أو يخطئ في التخمين لأنه لم يحفظ كل بقعة جلد في العالم.
لفترة طويلة، حاول العلماء معرفة أي من هذين النوعين من المحققين هو الأفضل في كشف سرطان الجلد، وتحديداً نوع مخيف يسمى الميلانوما (سرطان الخلايا الصبغية). لقد كانت "سادة الأنماط" (المعروفة في الوسط العلمي باسم الشبكات العصبية التلافيفية، أو CNNs) هي المعيار الذهبي للنظر في الصور. ولكن مؤخراً، وصل نوع جديد من "المفكرين الخارقين" (النماذج اللغوية الكبيرة، أو LLMs)، والتي تعد بالقدرة على فهم الصور الطبية بمجرد النظر إليها. كان السؤال الكبير هو: هل يمكن للمفكر الخارق القيام بالمهمة بمفرده، أم أنه من الأفضل ترك المهمة الشاقة لسيد الأنماط ثم جعل المفكر الخارق يقرأ ملاحظات سيد الأنماط لاتخاذ القرار النهائي؟ هذا هو اللغز الذي سعى فريق من الباحثين لحله بالضبط.
الفكرة الكبرى: تعاون "دمج GPT"
قرر الباحثون، بقيادة كاتي فريدريكسون وزملاؤها، التوقف عن مطالبة المفكر الخارق بالنظر إلى الصور مباشرة. بدلاً من ذلك، ابتكروا استراتيجية جديدة أطلقوا عليها اسم "دمج GPT" (GPT Fusion). فكر في الأمر كأنه محاكمة في محكمة. في هذه المحاكمة، يكون "سادة الأنماط" هم الشهود الخبراء الذين يفحصون الأدلة (صور الجلد) ويكتبون تقارير مفصلة. أما "المفكر الخارق" (وتحديداً نموذج يُدعى GPT-5.5) فيعمل كالقاضي. القاضي لا ينظر إلى الصور؛ بل يقرأ تقارير الخبراء، ويزن الأدلة، ثم يصدر الحكم النهائي.
لاختبار ذلك، أقاموا سباقاً بين أربعة متنافسين مختلفين باستخدام مجموعة شهيرة من صور الجلد تسمى مجموعة بيانات Derm7pt (والتي تحتوي على أكثر من 1,000 صورة لبقع جلدية ذات تشخيصات معروفة). المتنافسون هم:
- المفكر الخارق المعتمد على الصور فقط: GPT-5.5 ينظر مباشرة إلى الصور.
- سيد الأنماط (ResNet-50): ذكاء اصطناعي متخصص تم تدريبه على مجموعة مختلفة من صور الجلد للتعرف على أنواع عديدة من البقع.
- متخصص الميلانوما (SIIM-90 Ensemble): فريق فائق الدقة من الذكاء الاصطناعي مصمم خصيصاً للعثور على الميلانوما.
- فريق "دمج GPT": قام سيد الأنماط ومتخصص الميلانوما بكتابة التقار، وقام GPT-5.5 بقراءة تلك التقارير لاتخاذ القرار النهائي.
ما وجدوه: قوة الاستماع
كانت النتائج انتصاراً واضحاً لنهج التعاون. عندما حاول المفكر الخارق النظر إلى الصور مباشرة، واجه صعوبة؛ حيث نجح في التشخيص بنسبة 63.3% فقط لحالات الميلانوما. ومع ذلك، عندما عمل المفكر الخارق كقاضٍ، يستمع إلى تقارير الخبراء من سادة الأنماط، قفزت دقة تشخيصه لتصل إلى 86.9%.
لم يهزم فريق "دمج GPT" المفكر الخارق المعتمد على الصور فحسب، بل تفوق أيضاً على المتخصصين في مجالات رئيسية:
- رصد الميلانوما: حدد فريق الدمج الميلانوما بشكل صحيح بنسبة 85.2% من المرات (الحساسية)، وهو ما كان أفضل من النموذج المعتمد على الصور وقريباً جداً من المتخصص الأعلى كفاءة.
- رصد جميع أنواع السرطان: هنا برع فريق الدمج حقاً. فعندما كانت المهمة هي العثور على أي نوع من السرطانات الخطيرة (ليس فقط الميلانوما)، حقق فريق الدمج حساسية بلغت 83.9%، متفوقاً على متخصص الميلانوما (الذي حقق 76.2%). يشير هذا إلى أنه من خلال الجمع بين "المعرفة الواسعة" لسيد الأنماط و"التركيز الحاد" لمتخصص الميلانوما، استطاع المفكر الخارق اتخاذ قرارات أذكى بشأن البقع التي كانت خطيرة حقاً.
- تخمين "أفضل 3": في الحياة الواقعية، غالباً ما يضع الأطباء قائمة بأفضل ثلاثة تخمينات لديهم قبل تأكيد التشخيص. نجح فريق الدمج في الحصول على الإجابة الصحيحة ضمن تخميناته الثلاثة الأولى بنسبة 89.0% من المرات، وهي أعلى درجة بين الجميع.
لماذا هذا مهم؟
تشير الورقة البحثية إلى أن المفكر الخارق (LLM) ليس بالضرورة هو الشخص الأفضل للتحديق في صورة وتخمين ماهيتها. بدلاً من ذلك، تكمن قوته الخارقة في الاستنتاج المنطقي. فهو أفضل بكثير في أخذ البيانات الصعبة من أدوات الذكاء الاصطناعي المتخصصة، وفهم السياق، وتركيب تلك المعلومات في تشخيص واضح وموثوق.
وجد الباحثون أن نماذج الذكاء الاصطناعي المتخصصة (سادة الأنماط) كانت رائعة في مهامها المحددة ولكنها كانت تفتقر أحياناً إلى الرؤية الشاملة. أما المفكر الخبير، عندما يعمل كقاضٍ، فيمكنه سد الفجوات. على سبيل المثال، كان متخصص الميلانوما بارعاً في إيجاد الميلانوما ولكنه لم يكن يعرف الكثير عن أنواع السرطان الأخرى. بينما كان سيد الأنماط يعرف أنواعاً كثيرة من السرطان ولكنه لم يكن حاداً في حالات الميلانوما. وعندما قرأ GPT-5.5 كلا التقريرين، استطاع استخدام قوة متخصص الميلانوما في حالات الميلانوما وقوة سيد الأنماط في أنواع السرطان الأخرى، مما خلق تشخيصاً أكثر دقة من عمل أي من الخبراء بمفرده.
الخلاية
لا تدعي هذه الدراسة أن الذكاء الاصطناعي قد حل مشكلة سرطان الجلد للأبد، لكنها تشير إلى اتجاه واعد للغاية. فهي توضح أن مستقبل الذكاء الاصطناዊ الطبي قد لا يكون بناء روبوت واحد عملاق يقوم بكل شيء. بدلاً من ذلك، قد يكون المستقبل عبارة عن بناء "قائد أوركسترا" (المفكر الخارق) الذي يدير فريقاً من الموسيقيين المتخصصين (الشبكات العصبية التلافيفية - CNNs) لتقديم سيمفونية مثالية من التشخيص. ومن خلال ترك الذكاء الاصطناعي الجيد في الرياضيات يتولى العمليات الحسابية، والذكاء الاصطناعي الجيد في التفكير يتولى عملية التفكير، قد نحصل على تشخيصات ليست دقيقة فحمة فحسب، بل وأيضاً أسهل للفهم من قبل الأطباء والمرضى. ويشير المؤلفون إلى أن هذا النهج يوفر مساراً نحو أنظمة ذكاء اصطناعي ليست مجرد "صناديق سوداء" تعطي إجابات، بل شركاء شفافين يمكنهم شرح لماذا توصلوا إلى استنتاج معين.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.