Risk Aware Prompt-Guided CNN–LLM Framework for Brain MRI Diagnostic Report Generation

في الغرف الهادئة ذات الطنين في قسم الأشعة بالمستشفى، يدور حوار حرج بين طبيب وآلة. الآلة هي ماسح ضوئي يسترق النظر في أعماق الدماغ البشري، ملتقطاً آلاف الصور المقطعية بظلال من اللون الرمادي. الطبيب هو أخصائي أشعة، متخصص مدرب على قراءة هذه الصور وترجمة ما يراه إلى تقرير مكتوب يوجه علاج المريض. يجب أن يكون هذا التقرير دقيقاً، موضحاً الموقع المحدد للورم، وحجمه، وكيفية تفاعله مع الأوعية الدموية المحيطة وأنسجة الدماغ. ومع ذلك، فإن كتابة هذه التقارير عبء ثقيل؛ فهي عمل مجهد ذهنياً يتطلب تركيزاً شديداً، وعندما يتعب الأطباء أو يغلبهم الإرهاق، قد تصبح التقارير تكرارية أو تغفل عن التفاصيل الدقيقة. لسنوات، حاول العلماء بناء ذكاء اصطناعي يمكنه كتابة هذه التقاروت تلقائياً، آملين في تخفيف العبء عن كاهل الطبيب. لكن المحاولات المبكرة غالباً ما فشلت في التقاط الفروق الدقيقة للتشخيص الحقيقي، حيث أنتجت نصوصاً بدت آلية أو أغفلت السياق السريري المحدد اللازم لرعاية المريض. يكمن التحدي في تعليم الكمبيوتر ليس فقط رؤية شكل ما، بل فهم القصة المعقدة التي يرويها ذلك الشكل عن كائن بشري حي.

اقترح فريق من الباحثين في معهد غانديغرام الريفي في الهند طريقة جديدة لحل هذه المشكلة، طريقة تعامل مع الكمبيوتر ليس كبديل للطبيب، بل كشريك يتعلم منه. يجمع نهجهم، الموصوف في دراسة حديثة، بين نوعين قويين من الذكاء الاصطناعي: نظام بصري يعمل كزوج من العيون، ونظام لغوي يعمل ككاتب. النظام البصري هو نموذج تعلم عميق مدرب على فحص صور الدماغ وتحديد أربعة نتائج محددة: ورم دبقي (glioma)، أو ورم سحائي (meningioma)، أو ورم نخامي (pituitary tumor)، أو عدم وجود ورم على الإطلاق. وخلافاً للأنظمة القديمة التي قد تكتفي بالتخمين والمضي قدماً، صُمم هذا النظام البصري ليكون مدركاً لمدى عدم اليقين لديه؛ فهو يحسب مدى ثقته في نتيجته، محولاً تلك الثقة إلى حالة بسيطة قابلة للقراءة البشرية مثل "منخفضة"، أو "متوسطة"، أو "عالية جداً". وهذه خطوة حاسمة لأنها تسمح للنظام بإيصال مستوى يقينه إلى الجزء التالي من العملية، تماماً كما قد يقول طبيب مبتدئ: "أنا متأكد إلى حد ما من أنه ورم، لكني أريد من طبيب أقدم أن يراجع الأمر".

الجزء الثاني من النظام هو نموذج لغوي كبير، وهو نوع من الذكاء الاصطناعي القادر على توليد نصوص تشبه النصوص البشرية. في هذا الإطار، لا يقوم النظام البسي ليس مجرد تسليم الصورة إلى الكاتب، بل يعمل كمرشد، حيث ينشئ مجموعة محددة من التعليمات، أو "المطالبات" (prompts)، بناءً على ما يراه ومدى ثقته. هذه المطالبات مهيكلة لمحاكاة الطريقة التي يفكر بها أخصائي الأشعة؛ فهي تطلب من الكاتب مراع أقسام تشريحية معينة، مثل نصفي الكرة المخية أو الحفرة الخلفية، والبحث عن تفاصيل محددة مثل تورط الأوعية الدموية أو التورم. إذا رصد النظام البصري ورماً في منطقة معينة، فإن المطالبة توجه الكاتب للتركيز على الإمداد الوعائي والآثار المحتملة على الهياكل المجاورة. وإذا كان النظام غير متأكد، فقد تطلب المطالبة وصفاً أكثر حذراً. تضمن هذه الطريقة ألا يكون التقرر الناتج مجرد قائمة عامة للأعراض، بل سرداً متماسكاً يتبع المسار المنطقي للتشخيص الطبي. اختبر الباحثون هذا النظام على مجموعة بيانات منسقة من صور الرنين المغناطيسي للدماغ، وأظهرت النتائج أن التقارير المنتجة كانت متسقة سريرياً ومتماشية مع منطق الخبراء البشريين، حتى لو لم تتطابق الصياغة الدقيقة دائماً مع صياغة البشر بشكل مثالي.

ما يجعل هذا العمل متميزاً بشكل خاص هو كيفية إغلاق الحلقة بين الآلة والإنسان. لم يتوقف الباحثون عند توليد التقرير فحسب؛ بل بنوا آلية لتقديم الملاحظات من قبل أخصائيي الأشعة. بعد أن يولد النظام تقريراً، يقوم أخصائي الأشعة بمراجعته ويمنحه درجة بناءً على فائدته السريرية، تتراوح من "عائد تشخيصي ممتاز" إلى "غير تشخيصي". هذه الملاحظات ليست مجرد نجاح أو فشل بسيط؛ بل تُستخدم لتعديل سلوك النظام. إذا تم تقييم التقرير بدرجة عالية، يتعلم النظام الوثوق بهذا المسار من التفكير. وإذا تم تقييم التقرير بدرجة منخفضة أو إذا قام الأخصائي بتصحيح خطأ ما، يستخدم النظام هذه المعلومات لإعادة وزن تعلمه، مع إعطاء اهتمام أكبر للحالات التي كان فيها غير متأكد أو مخطئ. وهذا يخلق دورة مستمرة من التحسين حيث يصقل الذكاء الاصطناعي قدرته على توليد التقار تقارير بناءً على التحقق من الخبراء في العالم الحقيقي. وجدت الدراسة أن هذا التكيف المدفوع بالملاحظات ساعد النظام على إعطاء الأولوية للحالات ذات الأهمية السريرية وتقليل وزن تلك التي كانت غير مؤكدة، مما أدى إلى تقارير أكثر موثوقية وأنسب للممارسة الطبية الفعلية.

كشفت عملية تقييم هذا الإطار الجديد عن صورة دقيقة لنجاحه. عندما قارن الباحثون التقارير التي ولدها الكمبيوتر بالتقارير التي كتبها البشر باستخدام اختبارات مطابقة الكلمات القياسية، كانت الدرجات متواضعة. وهذا ليس مستغرباً، حيث تستخدم التقارر الطبية صياغات مرنة، ويمكن للكمبيوتر قول الشيء نفسه بطريقة مختلفة دون فقدان المعنى. ومع ذلك، عندما نظر الباحثون بعمق في المعنى الدلالي (semantic meaning) – أي المفاه المفاهيم الطبية الحيوية ومنطق التشخيص داخل النص – كانت النتائج أقوى بكثير. حافظت التقارير على مستوى عالٍ من الدقة الطبية الحيوية، حيث التقطت جوهر التشخيص بشكل صحيح حتى عندما اختلفت الكلمات المحددة عن النسخة البشرية. نجح النظام في تحقيق التوازن بين الحاجة إلى تقارير مهيكلة مقسمة إلى أقسام وبين المرونة المطلوبة للتعامل مع الطبيعة المعقدة والمتنوعة لأورام الدماغ. من خلال دمج البيانات البصرية، ومستويات الثقة، وملاحظات الخبراء، أثبت الباحثون أنه من الممكن بناء ذكاء اصطناعي لا يكتفي بمحاكاة أخصائي الأشعة، بل يتعاون معه بنشاط لإنتاج تقارير تشخيصية أكثر وضوحاً واتساقاً وقيمة سريرية. يشير هذا النهج إلى مستقبل يمكن فيه للذكاء الاصطناعي تولي المهام الشاقة لتوليد التقارير، مما يسمه الأطباء البشريين بالتركيز على الجوانب الأكثر أهمية لرعاية المرضى.