Comparative performance of DeepSeek-R1 and GPT-4o on standardized ophthalmic diagnostic and treatment tasks
في دراسة مقارنة باستخدام حالات معيارية لإقامة طب العيون، أظهر DeepSeek-R1 دقة واكتمالاً أعلى بكثير من GPT-4o في المهام التشخيصية والعلاجية، لا سيما في أمراض الشبكية، والمياه الزرقاء (الجلوكوما)، والحول، واضطرابات العصب البصري، رغم أن النتائج تظل أولية بسبب محدودية حجم العينة والتصميم القائم على النصوص فقط.
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 العيادة الحديثة، يُعد عقل الطبيب أداة قوية، صُقلت عبر سنوات لربط قصة المريض، والعلامات الجسدية، ونتائج الفحوصات في صورة واضحة لما هو خاطئ. إن عملية الاستدلال السريري هذه هي العمود الفقري للطب، ومع ذلك فهي أيضاً مهارة تستغرق وقتاً طويلاً لإتقانها. ومؤخراً، ظهر نوع جديد من العقول الرقمية: النماذج اللغوية الكبيرة. هذه أنظمة ذكاء اصطناعي مدربة على كميات هائلة من النصوص، قادرة على القراءة، والفهم، وتوليد اللغة البشرية بطلاقة ملحوظة. وقد أظهرت هذه النماذج وعوداً في المساعدة في كل شيء، بدءاً من كتابة الرسائل وصولاً إلى الإجابة على الأسções العامة. ولكن في مجال دقيق وبصري مثل رعاية العيون، حيث يمكن أن يعتمد التشخيص على تفاصيل دقيقة في صورة ما أو نمط محدد من الأعراض، لا يزال من غير الواضح مدى قدرة هذه المساعدات الرقمية على فهم تعقيدات الأمراض حقاً. لم يعد السؤال مجرد ما إذا كانت تستطيع التحدث بلغة الطب، بل ما إذا كان بإمكانها التفكير كمتخصص عند مواجهة حالة صعبة.
لقد شرع فريق من الباحثين في اختبار هذا السؤال باستخدام اثنين من أكثر أنظمة الذكاء الاصطناعي تقدماً المتاحة: DeepSeek-R1 وGPT-4o. وقد اختاروا التركيز على طب العيون، وهو الفرع الطبي المخصص للعين، لأنه يتطلب مستوى عالياً من المعرفة المتخصصة والقدرة على وزن العديد من المعلومات المختلفة. ولإجراء اختبار عادل وصارم، لم يطلب الفريق من الحواسيب النظر في مرضى حقيقيين أو صور مسح للعين الفعلية. بدلاً من ذلك، استخدموا ثلاث وثلاثين دراسة حالة معيارية مستمدة من قاعدة بيانات وطنية تُستخدم لتدريب وفحص أطباء العيون في الصين. غطت هذه الحالات مجموعة واسعة من الحالات، من أمراض الشبكية والجلوكوما (المياه الزرقاء) إلى الإصابات والأورام، وهي تمثل أنواع السيناريوهات التي قد يواجهها المتخصص في عمله اليومي. وطلب الباحثون من كلا نموذجي الذكاء الاصطناعي تقمص دور أطباء عيون كبار؛ حيث قدموا لهما نص كل حالة وطلبا تشخيصاً، وقائمة بالحالات الأخرى المحتملة التي يمكن أن تفسر الأعراض، وخطة للعلاج.
ولضمان موضوعية النتائج، قام ثلاثة أطباء عيون خبراء وحاصلين على شهادات البورد بمراجعة الإجابات المقدمة من نظامي الذكاء الاصطناعي. لم يكن الخبراء يعرفون أي نموذج كتب أي إجابة. وقد قيموا كل استجابة بناءً على معيارين رئيسيين: الدقة والاكتمال. قاست الدقة مدى صحة المشورة الطبية، بينما قاس الاكتمال ما إذا كانت الإجابة تغطي جميع التفاصيل الضرورية دون ترك أي شيء. استخدم الخبراء نظام تسجيل بسيط، حيث منحوا نقاطاً بناءً على مدى مطابقة الإجابات للحلول الصحيحة والمعيارية الموجودة في قاعدة بيانات التدريب. سمحت هذه العملية للباحثين بمقارنة أداء العقلين الرقميين مباشرة مقابل المعيار الذهبي للخبرة البشرية.
أظهرت النتائج فرقاً واضحاً بين النظامين. ففي جميع الحالات التي راجعوها، قدم DeepSeek-R1 باستمرار إجابات أكثر دقة وأكثر اكتمالاً من تلك المقدمة من GPT-4o. وعندما نظر الخبراء في المهمة المحددة المتمثلة في تحديد المرض الصحيح، حصل DeepSeek-R1 على متوسط درجة 8.04 من 10، بينما سجل GPT-4o درجة 6.46. واتسعت الفجوة بشكل أكبر عندما طُلب من النماذج سرد الحالات الأخرى المحتملة، وهي مهمة تُعرف بالتشخيص التفريقي؛ حيث حقق DeepSeek-R1 هنا درجة 7.52 مقارنة بـ 5.50 لـ GPT-4o. وفيما يتعلق بخطط العلاج، تفوق DeepSeek-R1 مرة أخرى على النموذج الآخر، مسجلاً 7.62 مقابل 6.65. ولم يكن الاختلاف في الأرقام النهائية فحسب؛ بل لاحظ الخبراء أيضاً أن إجابات DeepSeek-R1 كانت أكثر شمولاً، حيث غطت المزيد من العناصر المطلوبة في تفسيراتها.
وجدت الدراسة أن ميزة DeepSeek-R1 كانت أكثر وضوحاً في مجالات رعاية العيون التي تتطلب تفكيراً معقداً ومتعدد الخطوات. فقد أظهرت حالات مثل أمراض الشبكية، والجلوكوما، واضطرابات العصب البصري، ومشكلات محاذاة العين وتطور الرؤية، أكبر فجوة في الأداء. وهذه هي أنواع الحالات حيث يجب على الطبيب دمج العديد من الأدلة المختلفة للوصول إلى استنتاج. في المقابل، بالنسبة للحالات ذات العلامات الأكثر وضوحاً أو تميزاً، مثل بعض إصابات العين أو أمراض سطح العين، كان الفرق بين النموذجين أصغر. وهذا يشير إلى أن الطريقة المحددة التي تدرب بها DeepSeek-R1، مع التركيز الشديد على الاستدلال المتقدم، قد تمنحه ميزة في المواقف التي لا تكون فيها الإجابة واضحة فوراً وتتطلب استنتاجاً دقيقاً.
وعلى الرغم من هذه النتائج الواعدة، فقد حرص الباحثون على صياغة نتائجهم كخطوة أولية وليست حكماً نهائياً. فقد اقتصرت الدراسة على حقيقة أنها استخدمت حالات نصية فقط، مما يعني أن أنظمة الذكاء الاصطناعي لم ترَ أبداً صوراً فعلية للعيون، وهي صور بالغة الأهمية للتشخيص في العالم الحقيقي. كما كان حجم العينة المكون من ثلاث وثلاثين حالة صغيراً نسبياً، واعتمد التقييم على الأحكام الذاتية لثلاثة خبراء بشريين. وأكد المؤلفون أن هذه النتائج لا تعني أن أي نظام من أنظمة الذكاء الاصطناعي جاهز لاستبدال الطبيب البشري أو للاستخدام المباشر في المستشفى لاتخاذ القرارات للمرضى. كما يمكن أن يتغير أداء هذه النماذج بسرعة مع تحديثها، وقد لا تعكس النسخ المحددة التي تم اختبارها في أوائل عام 2025 قدرات الأنظمة المستقبلية.
في نهاية المطاف، يعمل هذا العمل كمعيار مهم لفهم أين يقف الذكاء الاصطناعي في المجال المتخصص لرعاية العيون. فهو يوضح أن أحد النماذج الأحدث، DeepSeek-R1، قد أظهر قدرة أقوى على التفكير في الحالات الطبية المعقدة مقارنة بـ GPT-4o الراسخ في هذا السياق المحدد. ومع ذلك، تخلص الدراسة إلى أن هناك حاجة لمزيد من العمل. يجب أن تختبر الأبحاث المستقبلية هذه الأنظمة بصور حقيقية وفي بيئات سريرية حية لمعرفة ما إذا كان بإمكانها دعم الأطباء حقاً في الواقع المعقد والفوضوي لرعاية المرضى. وفي الوقت الحالي، تشير النتائج إلى أنه بينما أصبح الذكاء الاصطناعي أداة قوية للاستدلال الطبي، إلا أنه لا يزال عملاً قيد التطوير، وسيعتمد دوره في العيادة على التحقق المستمر والتكامل الدقيق مع الخبرة البشرية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.