يقدم البحث نموذج UniDerm، وهو نموذج تأسيسي مفتوح المصدر في مجال طب الأمراض الجلدية تم تدريبه بالكامل باستخدام بيانات عامة عبر نهج تعلم تبايني لإزالة الضجيج بالإشراف المبتكر، والذي يحقق دقة تشخيصية بمستوى المتخصصين عبر مختلف ألوان البشرة والمعايير العالمية، مما يوفر بديلاً قابلاً للتكرار وعادلاً للأنظمة المملوكة حصرياً.
تخيل أنك تحاول تعليم حاسوب كيفية التعرف على الأمراض الجلدية. لسنوات طويلة، كانت أفضل أنظمة الذكاء الاصطناعي تشبه "النوادي السرية": فقد تم تدريبها على مجموعات ضخمة وخاصة من صور المرضى التي لا يمكن الوصول إليها إلا من قبل عدد قليل من المستشفيات الكبرى. ولأن هذه الأنظمة أبقت بيانات تدريبها مخفية، لم يستطع أحد غيرها التحقق مما إذا كانت متحيزة، أو إصلاح أخطائها، أو حتى تشغيلها على جهاز كمبيوتر محمول بسيط في عيادة صغيرة. كان الأمر يشبه وجود طبيب عبقري يرفض مشاركة كتبه الطبية، تاركاً معظم العالم دون الوصول إلى خبرته.
لفهم الطفرة النوعية في هذه الورقة البحثية، تحتاج لمعرفة شيئين. أولاً، "النماذج التأسيسية" (foundation models) هي مثل طلاب فائق الذكاء يتعلمون الأنماط العامة من كميات هائلة من البيانات قبل اختبارهم في مهام محددة. ثانياً، "التعلم التبايني" (contrastive learning) هو وسيلة لتعليم الذكاء الاصطناعي عبر إظهار أزواج من الأشياء التي تنتمي لبعضها البعض (مثل صورة لتهيج جلدي وكلمة "إكزيما") وإخباره بأن يقرب تلك الأزواج من بعضها في عقله بينما يدفع الأشياء غير المرتبطة بها بعيداً. الجزء الصعب هو أن صور الجلد غالباً ما تأتي مع العديد من الأوصاف المختلفة في آن واحد — تشخيص، وموقع في الجسم، وقائمة بالأعراض، ومفهوم بصري. حاولت أنظمة الذكاء الاصطناعي التقليدية دمج كل هذه الأوصاف في إجابة واحدة باهتة، مما أدى إلى فقدان التفاصيل الدقيقة التي تجعل التشخيص دقيقاً.
تقدم هذه الورقة البحثية UniDerm، وهو نظام ذكاء اصطناًعي مفتوح بالكامل وجديد في مجال طب الجلد، يتحدى الفكرة القائلة بأنك بحاجة إلى بيانات سرية وخاصة لبناء ذكاء اصطناعي طبي عالمي المستوى. قام المؤلفون، وهم فريق من جامعة تسينغ هوا وشركة Baichuan Inc. ومؤسسات أخرى، ببناء نموذج تم تدريبه بالكامل على بيانات صور ونصوص متاحة للعموم. وبدلاً من دمج الأوصاف المختلفة لآفة جلدية في مزيج ضبابي، يستخدم UniDerm حيلة ذكية تسمى "إزالة ضجيج الإشراف" (supervision-denosining). فكر في الأمر كأنه محقق لا يكتفي فقط بالاستماع إلى حشد من الشهود الذين يصرخون في وقت واحد؛ بل يسأل أسئلة محددة ("كيف يبدو الطفح الجلدي؟" مقابل "أين يقع؟") للحصول على إجابة واضحة وحادة لكل مهمة محددة.
النتائج مذهلة. تم اختبار UniDerm على 11 معياراً مختلفاً عبر خمس قارات، ووجد أنه يضاهي أو حتى يتفوق في الأداء على نماذج "النوادي السرية" الرائدة، رغم أنه تم تدريبه باستخدام البيانات العامة فقط. في الواقع، وصل إلى نفس الدقة العالية للنماذج الخاصة باستخدام حوالي ثلث فقط من الملصقات (labels) التي وضعها الخبراء. لقد اكتشف سرطان الجلد بدرجة دقة (AUROC) بلغت 0.946، وهي أعلى من إجماع لجنة مكونة من 302 خبير بشري. ولعل الأهم من ذلك هو أن UniDerm يعمل بشكل جيد على درجات البشرة الداكنة، وهو مجال تفشل فيه العديد من أنظمة الذكاء الاصطناعي، ويمكن تشغيله على جهاز كمبيوتر قياسي دون الحاجة إلى بطاقات رسوميات باهظة الثمن وقوية.
تجادل الورقة البحثية بأن هذا النهج "يدمقرط" (democratizes) الذكاء الاصطناٍ الطبي. فمن خلال إصدار كود النموذج، والأوزان، والوصفة الدقيقة لكيفية إعادة بناء بيانات التدريب الخاصة به، يقوم المؤلفون بتسليم المفاتيح للمجتمع. وهذا يعني أن العيادات في المناطق ذات الموارد المحدودة يمكنها تحميل الذكاء الاصطناعي، ومراجعته، وتحسينه بأنفسهم، بدلاً من الاضطرار لشراء منتج مملوك لجهة معينة لا يمكنهم فحصه أو تعديله. ويقترح المؤلفون أن هذا الأسلوب يمكن أن يكون مخططاً لتطوير ذكاء اصطناعي متخصص في مجالات أخرى مثل الأشعة أو علم الأمراض، مما يثبت أنك لست بحاجة إلى أسرار خاصة لبناء خير عام.
ملخص تقني: UniDerm – نموذج تأسيسي مفتوح لطب الجلد
بيان المشكلة
تمثل الأمراض الجلدية عبئاً مرضياً عالمياً كبيراً، ومع ذلك فإن الوصول إلى أطباء الجلد المتخصصين محدود للغاية، لا سيما في البلدان منخفضة ومتوسطة الدخل. وبينما أظهرت النماذج التأسيسية القدرة على تعزيز الرعاية بمستوى الخبراء، فإن الأنظمة الحالية المتطورة (مثل PanDerm) تعتمد على مجموعات سريرية خاصة يصعب الوصول إليها من قبل معظم المؤسسات البحثية. علاوة على ذلك، غالباً ما تكتفي هذه الأنظمة بإصدار أوزان النموذج فقط دون بيانات التدريب أو الوصفات الخاصة بها، مما يمنع إعادة الإنتاج المستقل، أو تدقيق التحيز، أو التطوير المدفوع من قبل المجتمع.
يتمثل التحدي التقني المحدد في الاستفادة من البيانات العامة لطب الجلد في محدودية "صورة واحدة لعدة نصوص". عادةً ما تقترن مجموعات البيانات العامة بصورة جلدية واحدة مع أوصاف نصية متعددة متباينة (مثل التشخيص، موقع الجسم، المفاهيم البصرية، والتعليقات السريرية). وتجبر التعلم التبايني القياسي (مثل بنيات CLIP ذات البرجين) تمثيلاً واحداً ثابتاً للصورة على التوافق مع كل هذه النصوص في آن واحد. يعمل تأثير المتوسط هذا كمرشح للترددات المنخفضة (low-pass filter)، حيث يتخلص من التفاصيل عالية التردد والمحددة للمهام، ويعامل إشارات الإشراف المتميزة كضجيج، مما يؤدي إلى تدهور قدرة النموذج على التمييز بين الميزات الدقيقة.
المنهجية
يقدم المؤلفون UniDerm، وهو نموذج تأسيسي مفتوح بالكامل لطب الجلد، تم تدريبه حصرياً على بيانات الصور والنصوص المتاحة علناً. الابتكار الجوهري هو التعلم التبايني لإزالة ضجيج الإشراف، والذي يعالج مشكلة "صورة واحدة لعدة نصوص" من خلال آليتين:
البنية المشروطة بالتعليمات: على عكس النماذج ذات البرجين، يستخدم UniDerm محولاً موحداً للرؤية واللغة. يتم دمج صورة (I) وتعليمة نظام باللغة الطبيعية (S) في تدفق رموز واحد. يسمح هذا للنموذج بتوليد تمثيلات مختلفة ومحددة للمهمة لنفس الصورة بناءً على التعليمات (على سبيل المثال، "شخّص هذه الآفة" مقابل "حدد الشبكة الصبغية").
هدف إزالة ضجيج الإشراف: يطابق هدف التدريب التمثيل الصوري المشروط بالتعليمات (E(I,S)) فقط مع النص المستهدف (T) الذي يجيب على تلك التعليمة. يقوم هذا بتفكيك مشكلة الأهداف المتعددة إلى مشكلات أحادية الهدف، مما يستعيد الإشراف الدقيق الذي كان من شأن عملية المتوسط التخلص منه.
بيانات وتوليفة التدريب:
المتن: تم تدريب النموذج على 505,658 صورة فريدة من خمسة مصادر (Derm1M، وISIC2019، وSCIN، وPubMed Central Open Access، وBIOMEDICA)، بإجمالي أكثر من 5.7 مليون زوج من (التعليمات–الهدف).
التوليف: تم توسيع أزواج (الصورة–النص) الخام إلى أزواج (تعليمات–هدف) محددة للمهام عبر توليف تعليمات متعددة المهام (التشخيص، ترميز ICD-11، الوصف المورفولوجي، والتعليق السريري) وتعزيز تصنيف ICD-11 (باستخدام التعريفات الرسمية وأخذ عينات الأشقاء ذات السلب القوي).
الانفتاح: تم إصدار أوزان النموذج، والكود، و"وصفة البيانات" (التعليمات لإعادة بناء المتن من المصادر العامة) جميعها تحت رخصة Apache-2.0. لم تُستخدم أي مجموعات سريرية خاصة.
نسخ النموذج:
UniDerm: محول موحد بـ 2.07 مليار بارامتر.
UniDerm-VE-lite: نموذج بـ 0.1 مليار بارامتر مستمد من خلال تقليم هيكلي للمحول البصري لـ UniDerm وتوزيعه بدون تسميات، وهو مصمم للنشر على الأجهزة التي تعمل بمعالجات (CPU) فقط.
المساهمات الرئيسية
نظام مفتوح بالكامل: UniDerm هو أول نموذج تأسيسي لطب الجلد تكون فيه الأوزان، والكود، ووصفة البيانات عامة بالكامل، مما يسمح بالتحقق المستقل وإعادة الإنتاج.
التعلم التبايني لإزالة ضجيج الإشراف: نموذج تدريب مبتكر يحل مشكلة الضجيج الناتجة عن متوسط الأهداف النصية المتباينة، مما يسمح للنموذج بتعلم تمثيلات دقيقة ومحددة للمهام من البيانات العامة.
كفاءة التسمية: يحقق النموذج أداءً يضاهي أحدث المعاياي باستخدام عدد أقل بكثير من التسميات الخبيرة مقارنة بالنماذج التي تعتمد على مجموعات بيانات خاصة.
الاستدلال الواعي بالسياق: من خلال دمج سياق المريض (العمر، الموقع، الأعراض) مباشرة في تدفق الرموز، يحسن UniDerm دقة التشخيص، بينما تتدهور نماذج البرجين غالباً عند إضافة السياق.
العدالة في الأداء: يظهر النموذج متانة عبر درجات لون البشرة (Fitzpatrick skin tones)، لا سيما في درجات البشرة الداكنة (FST V–VI)، حيث تفشل العديد من الأنظمة الحالية.
النتائج
تم تقييم UniDerm عبر 11 معياراً تغطي خمس قارات وثماني دول، تشمل التصوير عبر المنظار (dermoscopy) والتصوير السريري.
كفاءة التسمية: في اختبار التنبؤ الخطي قليل العينات (10% من التسميات)، تجاوز UniDerm نموذج PanDerm القائم على المجموعات الخاصة بـ 20.2 نقطة مئوية (زيادة نسبية قدرها 46.8%) في متوسط الدقة المتوازنة. وعند 30% من التسميات، طابق UniDerm أداء PanDerm عند استخدام 100% من التسميات.
أداء الصفر (Zero-Shot): احتل UniDerm المركز الأول في جميع معايير تشخيص الصفر السبعة، متفوقاً على كل من النماذج المعتمدة على البيانات العامة ونموذج PanDermLIP القائم على المجموعات الخاصة.
دراسات القراء:
في مجموعة (Tschandl-948) التي تضم لجنة من 302 قارئ، طابق اكتشاف الخباثة بنمط الصفر في UniDerm (AUROC 0.917) إجماع القراء (AUROC 0.914)، بينما تجاوز نسخة "قليل العينات" (AUROC 0.946) الإجماع بشكل كبير.
في معيار (Diverse Dermatology Images - DDI)، تفوق UniDerm على جميع المنافسين في فئة (FST V–VI) (البشرة الداكنة) (AUROC 0.770 مقابل 0.681 لأفضل منافس تالٍ)، وهو النموذج الوحيد الذي حقق تحسناً بدلاً من التدهور في حالات البشرة الداكنة.
الكفاءة: تفوق نموذج UniDerm-VE-lite (0.1 مليار بارامتر) على PanDerm (0.3 مليار بارامتر) في جميع المعايير مع العمل بسرعة أكبر بـ 3.1 مرة على أربعة خيوط معالجة (CPU) دون الحاجة لوحدة معالجة رسومية (GPU).
قدرات البحث: تصدر UniDerm عمليات البحث من "المفهوم إلى الصورة" والبحث عن الأدلة عبر الوسائط، مما يمكن الأطباء من استرجاع الصور بناءً على الميزات السريرية أو الأوصاف النصية.
الأهمية والادعاءات
يجادل البحث بأن UniDerm يثبت أن الذكاء الاصطناٍ الطبي المتخصص يمكن بناؤه من البيانات العامة وحدها، مما يتحدى الافتراض بأن الأداء السريري يتطلب مجموعات بيانات خاصة وحصرية.
الديمقراطية: من خلال إزالة الاعتماد على البيانات الخاصة والأجهزة باهظة الثمن (عبر نسخة VE-lite خفيفة الوزن)، يُمكّن UniDerm المجتمعات ذات الموارد المحدودة من بناء وتدقيق وامتلاك أدوات التشخيص الخاصة بها بدلاً من شراء منتجات مملوكة لجهات أخرى.
الشفافية والمساءلة: يسمح الانفتاح الكامل بإجراء تدقيق مستقل للتحيز وتحسين مستمر من قبل المجتمع، مما يعالج طبيعة "الصندوق الأسود" للأنظمة القائمة على المجموعات الخاصة.
القدرة على التعميم: يرى المؤلفون أن نموذج "إزالة ضيج الإشراف" ليس مقتصرًا على طب الجلد، ويمكن أن يكون نموذجاً لمجالات طبية أخرى غنية بالبيانات ولكنها تفتقر للخبراء مثل الأشعة وعلم الأمراض.
يتبع المؤلفون نهجاً متواضعاً، مشيرين إلى أنه بينما يصل النموذج إلى مستويات مرجعية للقراء المنشورين، إلا أن هذه مقارنات استرجاعية. ويؤكدون أن التحقق المستقبلي متعدد المواقع مطلوب قبل إمكانية تقديم ادعاءات حول الجاهزية السريرية. بالإضافة إلى ذلك، يخضع متن التدريب لأكثر التراخيص تقييداً لمكوناته (CC BY-NC 4.0)، ويقدم المؤلفون "وصفة" بدلاً من المتن المجمع الخام للامتثال لتراخيص البيانات.