Context-aware AI-assisted screening for image duplication in biomedical publications
تقدم هذه الدراسة وتتحقق من صحة نظام فحص مدعوم بالذكاء الاصطناعي ومدرك للسياق، يعمل على تحسين كفاءة ودقة اكتشاف تكرار الصور في المنشورات الطبية الحيوية بشكل كبير من خلال دمج التشابه البصري مع التقدير السياقي للمخاطر لتقليل الإيجابيات الكاذبة مع الحفاظ على حساسية عالية.
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
في عالم الأبحاث الطبية الحيوية، غالبًا ما تكون الصورة الفوتوغرافية أكثر من مجرد صورة؛ إنها قطعة من الأدلة. فعندما يدرس العلماء كيفية سلوك الخلايا أو كيفية تغير الأنسجة تحت المجهر، يقومون بالتقاط هذه اللحظات في شكل صور لإثبات نتائجهم. هذه الصور هي أساس الثقة في العلوم الطبية. ومع ذلك، تبرز مشكلة خطيرة عندما تُستخدم الصورة نفسها لتمثيل تجربتين مختلفتين دون توضيح كافٍ، وهو ما يُعرف بتكرار الصور. قد يحدث هذا عن طريق الخطأ، عندما يعيد الباحث استخدام صورة دون قصد، أو بشكل متعمد لجعل البيانات تبدو أكثر قوة مما هي عليه في الواقع. ولأن الأوراق العلمية غالبًا ما تحتوي على عشرات الصور، التي يتم ترتيبها أحيانًا في شبكات معقدة تضم العديد من الأجزاء الصغيرة، فإن اكتشاف هذه التكرارات بالعين المجردة أمر صعب للغاية. فقد يتم قص صورة واحدة، أو تدويرها، أو تعديل ألوانها، مما يجعلها تبدو مختلفة رغم أنها هي نفسها. ولسنوات طويلة، اضطر المحررون والمراجعون إلى فحص آلاف الصور يدويًا، وهي مهمة بطيئة ومضنية غالبًا ما تغفل عن الأخطاء الدقيقة.
ولمعالجة هذا التحدي، طور فريق من الباحثين من الأكاديمية الصينية للعلوم الطبية وكلية بيونغ يانغ الطبية طريقة جديدة لاستخدام الذكاء الاصطناعي للمساعدة في رصد هذه المشكلات. لم يبنوا آلة تبحث ببساة عن الصور المتطابقة، لأن هذا النهج يؤدي إلى الكثير من الإنذارات الخاطئة. بدلاً من ذلك، ابتكروا نظامًا يعمل كمساعد دقيق، مساعد لا يكتفي بإيجاد الصور المتشابهة فحسب، بل يقرأ أيضًا النص المحيط بها لفهم ما تمثل هذه الصور في الواقع. اختبر الباحثون نظامهم على مجموعة من 79 مقالًا علميًا تم سحبها بالفعل، أو استردادها، بسبب قضايا مؤكدة تتعلق بتكرار الصور. ومن خلال تغذية نظامهم بهذه الحالات المعروفة بالمشكلات، استطاعوا معرفة ما إذا كان الذكاء الاصطناعي سيحدد الأخطاء بشكل صحيح، والأهم من ذلك، ما إذا كان بإمكانه التمييز بين الخطأ الحقيقي والتشابه المشروع، مثل صورتين لنفس التجربة تم التقاطهما بإعدادات مختلفة.
يعمل النظام في خطوتين رئيسيتين. أولاً، يقوم بمسح المقال بالكامل للعثور على أي أزواج من الصور التي تبدو متشابهة بصريًا. في هذا المسح الأولي، وجد الكمبيوتر 534 زوجًا من الصور التي تبدو متشابهة. ومع ذلك، لم تكن جميعها أخطاء؛ فبعضها كان مشروعًا، مثل صورة واحدة ونسخة مكبرة من نفس الصورة، أو قناتين مختلفتين الألوان من نفس الشريحة المجهرية. إذا توقف النظام عند هذه المرحلة، فسيتعين على المحررين فحص جميع الأزواج الـ 534، مما لن يوفر الكثير من الوقت. وتكمن القوة الحقيقية للمنهج الجديد في الخطوة الثانية، حيث يقرأ الذكاء الاصطناعي سياق النص لفهم المحتوى. فهو يفحص شروح الأشكال، والنص الرئيسي، وحتى الملصقات داخل الصور لتحديد ما تعرضه كل صورة. ويتساءل أسئلة مثل: هل تمثل هاتان الصورتان نفس المجموعة من الحيوانات؟ هل تعرضان نفس النقطة الزمنية في تجربة ما؟ أم أنهما تدعيان عرض أشياء مختلفة تبدو متشابهة؟
عندما طبق الباحثون هذه الخطوة الثانية المتمثلة في قراءة السياق، تغيرت النتائج بشكل كبير. حافظ النظام بشكل صحيح على جميع أزواج الصور السيئة المعروفة في فئة "عالية المخاطر"، مما يعني أنه لم يغفل عن أي من الأخطاء المؤكدة التي وجدها في الخطوة الأولى. والأهم من ذلك، نجح في تحديد 152 من أزواج الصور المتشابهة المشروعة كأزواج "منخفضة المخاطر". وهذا يعني أن النظام استطاع إخبار المحررين بأن هذه الصور المحددة سليمة على الأرجًا ولا تحتاج إلى تحقيق عميق. ونتيجة لذلك، انخفض إجمالي أزواج الصور التي تتطلب فحصًا دقيقًا من قبل محرر بشري من 534 إلى 382 زوجًا. هذا الانخفاض بنسبة تقارب 30 بالمائة يعني أن المحررين يمكنهم تركيز وقتهم المحدود على الحالات التي تهم حقًا. لم يكن النظام يخمن فحسب، بل قدم تقريرًا مكتوبًا لكل قرار، مستشهدًا بالأجزاء المحددة من النص التي تدعم استنتاجه، مما يسمح للبشر بالتحقق من المنطق المتبع.
أظهرت الدراسة أن الذكاء الاصطناعي اتفق مع الخبراء البشريين في تصنيف أزواج الصور هذه بنسبة 89 بالمائة تقريبًا. وفي الحالات التي اختلف فيها الذكاء الاصطناعي مع البشر، كانت الأخطاء تحدث عادةً بسبب عدم وضوح النص في الورقة أو ارتباك تخطيط الصورة، وليس بسبب خلل جوهى في الذكاء الاصطناعي نفسه. فعلى سبيل المثال، إذا بدا مسطرة أو علامة تقنية في صورة ما مشابهة في صورتين مختلفتين، فقد يصنفها النظام على أنها مشبوهة، وهو خيار آمن لأنه من الأفضل فحص بعض الصور الإضافية بدلاً من تفويت مشكلة حقيقية. وأكد الباحثون أن هذه الأداة مصممة لدعم اتخاذ القرار البشري، وليس لاستبداله. فهي لا تعلن عن ورقة بحثية بأنها مزورة من تلقاء نفسها، بل تسلط الضوء على المناطق الأكثر إثارة للريبة وتوفر الأدلة اللازمة لمحرر بشري لاتخاذ القرار النهائي.
يمثل هذا النهج تحولًا كبيرًا في كيفية الحفاظ على النزاهة العلمية. فبدلاً من الاعتماد فقط على المطابقة البصرية، التي غالبًا ما ترتبك بسبب التشابهات المشروعة، يجمع المنهج الجديد بين الكشف البصري والفهم العميق للقصة العلمية التي يتم سردها. ومن خلال معالجة المقالات محليًا على أجهزة كمبيوتر آمنة، يحمي النظام أيضًا خصوصية الأبحاث غير المنشورة، مما يضمن عدم خروج البيانات الحساسة من سيطرة الناشر. وبينما أُجري الاختبار على مقالات كانت معروفة مسبقًا بوجود مشكلات، يعتقد الباحثون أن هذه الطريقة ستساعد الناشرين على كشف الأخطاء في وقت مبكر، قبل نشرها. والهدف ليس إنشاء قاضٍ آلي مثالي، بل منح المراجعين البشريين أداة قوية تساعدهم على رؤية الغابة من خلال الأشجار، لضمان أن الصور التي تدعم معرفتنا الطبية موثوقة بقدر العلم الذي تقف وراءه.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.