Generative Artificial Intelligence for Opportunistic Osteoporosis Screening Using Lumbar Spine Imaging: Diagnostic Performance, Reproducibility, Effects of Few-Shot Prompting, and Comparison with Physicians

ملخص تقني: الذكاء الاصطنا-توليدي للفحص الانتهازي لهشاشة العظام

بيان المشكلة
لا تزال هشاشة العظام تعاني من نقص كبير في التشخيص والعلاج رغم توافر العلاجات الفعالة والحصول الروتيني على صور الأشعة السينية للفقرات القطنية وصور التصوير المقطعي المحوسب (CT) لأسباب أخرى. وبينما يعد قياس امتصاص الأشعة السينية ثنائي الطاقة (DXA) هو المعيار الذهبي للتشخيص، فإن العديد من المرضى لا يخضعون لتقييم كثافة المعادن في العظام (BMD) أثناء الرعاية الروتينية. ورغم أن الأطباء يشكلون انطباعات حدسية عن جودة العظام من صور العمود الفقري، إلا أن الدراسات السابقة تشير إلى أن دقة مثل هذه التقييمات البصرية هي دقة متوسطة فقط، حتى بين جراحي العظام ذوي الخبرة. وفي حين أظهرت خوارزميات التعلم العميق نتائج واعدة، إلا أنها تتطلب تطويرًا مخصصًا لكل مهمة. وفي المقابل، يوفر الذكاء الاصطناعي التوليدي متعدد الوسائط بديلاً متاحًا على نطاق واسع قادرًا على تفسير الصور الطبية دون الحاجة إلى تدريب نموذج مخصص. ومع ذلك، لا تزال دقة التشخيص لهذه النماذج في الفحص الانتهازي لهشاشة العظام، وقابليتها للتكرار، وتأثير "التحفيز قليل العينات" (تقديم حالات مرجعية لتوجيه الاستجابات) غير مفهومة بشكل جيد.

المنهجية
قيمت هذه الدراسة المقارنة القائمة على الصور الأداء التشخيصي للذكاء الاصطنا-توليدي متعدد الوسائط مقابل الأطباء باستخدام مجموعة بيانات تتكون من 45 صورة أشعة سينية جانبية للفقرات القطنية و45 صورة إعادة بناء سهمية للفقرات القطنية من التصوير المقطعي المحوسب.

• المعيار المرجعي: تم تحديد هشاشة العظام وانخفاض كتلة العظام باستخدام عتبات درجة T الخاصة بـ DXA التابعة لمنظمة الصحة العالمية وهي -2.5 و -1.0 على التوالي.
• المشاركون:
  • الأطباء: 42 جراح عظام معتمدًا من البورد و50 طبيبًا غير متخصص (مستمدة من دراسة سابقة).
  • نماذج الذكاء الاصطناعي: ثلاثة أنظمة ذكاء اصطناعي توليدي متعددة الوسائط متاحة للجمهور: ChatGPT (OpenAI، إصدار GPT-5، تم الوصول إليه في يناير 2026)، وClaude 4 Opus، وGemini 3.1 Pro.
• بروتوكول التقييم:
  • التحفيز صفري العينات مقابل قليل العينات: قيمت نماذج الذكاء الاصطناعي الصور تحت ظروف "صفرية العينات" (تعليمات فقط) وظروف "قليلة العينات" (تزويدها بـ 20 حالة مرجعية مصنفة تشمل الصور، والتصنيفات، وقيم YAM).
  • القابلية للتكرار: قام كل نموذج ذكاء اصطناعي بتقييم مجموعة البيانات بأكملها خمس مرات في جلسات دردشة مستقلة. تم تحديد التصنيفات النهائية عن طريق التصويت بالأغلبية (3 من 5 استجابات أو أكثر).
  • الجمع بين الإنسان والذكاء الاصطناعي: أجري تحليل لاحق استكشافي يجمع بين أصوات المتخصصين بالأغلبية وأصوات نموذج Claude باستخدام قواعد "أو" (إيجابي إذا كان أحدهما إيجابيًا) و"و" (إيجابي فقط إذا كان كلاهما إيجابيًا) لتقييم الأخطاء التشخيصية المتكاملة.
• المقاييس: شملت النتائج الأولية الدقة التشخيصية، والحساسية، والنوعية، والقابلية للتكرار داخل النموذج (معامل كوهين κ).

النتائج الرئيسية

• الدقة التشخيصية:
  • عند عتبة -1.0 لصور الأشعة السينية، حقق Claude أعلى دقة (73.3%)، يليه Gemini (64.4%)، ثم المتخصصون (57.4%)، ثم ChatGPT (55.6%)، ثم غير المتخصصين (44.0%). تفوق المتخصصون بشكل ملحوظ على غير المتخصصين (P < 0.001).
  • عند عتبة -2.5 التقليدية، لم يتم العث find فرق معنوي بين المتخصصين وغير المتخصصين لصور الأشعة السينية، رغم أن المتخصصين كانوا أكثر دقة بشكل ملحوظ في صور التصوير المقطعي المحوسب (P < 0.001).
  • أظهرت نماذج الذكاء الاصطناعي دقة متشابهة إلى حد كبير مع المتخصصين في المقارنات الوصفية لصور التصوير المقطعي المحوسب.
• تأثير التحفيز (Prompting):
  • الدقة: لم يؤدِ التحفيز "قليل العينات" إلى تحسين الدقة التشخيصية باستمرار لكل من الأطباء ونماذج الذكاء الاصطناعي. تباينت التغييرات حسب النموذج والشرط، حيث تراوحت بين انخفاض قدره 24.4 نقطة مئوية وزيادة قدرها 11.1 نقطة مئوية.
  • القابلية للتكرار: أدى التحفيز "قليل العينات" إلى تحسين القابلية للتكرار داخل النموذج في عدة نماذج، ولا سيما Claude (ارتفع معامل κ من 0.543 إلى 0.855 لصور الأشعة السينية). كان هذا الانفصال بين تحسن الاتساق وعدم تغير الدقة نتيجة رئيسية.
• التكامل بين الإنسان والذكاء الاصطناعي:
  • قاعدة "أو" (الجمع بين المتخصص وClaude) زادت من الحساسية لصور الأشعة السينية عند عتبة -1.0 من 66.7% إلى 80.0%، وللتصوير المقطعي من 83.3% إلى 90.0%، وإن كانت النوعية قد انخفضت.
  • أكد تحليل إنقاذ الخطأ وجود أخطاء غير متداخلة جزئيًا: صنف Claude بشكل صحيح ما بين 40-50% من حالات السلب الكاذب لدى المتخصصين، كما قام المتخصصون بتصحيح جزء من أخطاء Claude.

المساهمات الرئيسية

1. الأداء المقارن: توفر الدراسة دليلاً مباشرًا على أن نماذج ذكاء اصطناعي توليدي مختارة يمكن أن تحقق أداءً تشخيصيًا مماثلاً، أو في بعض الظروف متفوقًا، على الأطباء للفحص الانتهاسي لهشاشة العظام باستخدام تصوير الفقرات القطنية.
2. تأثيرات التحفيز: توضح الدراسة أن التحفيز "قليل العينات" لا يضمن تحسين الدقة التشخيصية، ولكنه يمكن أن يعزز بشكل كبير القابلية للتكرار داخل النموذج (الاتساق)، وهو عامل حاسم للتكامل في سير العمل السريري.
3. التكامل: يقدم البحث أدلة كمية على التكامل التشخيصي، موضحًا أن أخطاء البشر والذكاء الاصطناعي غير متداخلة جزئيًا. يشير هذا إلى أن الجمع بين الأحكام يمكن أن يقلل من الحالات المفقودة (السالب الكاذب) في سيناريوهات الفحص، وإن كان ذلك على حساب زيادة الحالات الإيجابية الكاذبة.
4. تباين النماذج: تسلط النتائج الضوء على التباين الكبير في الأداء والقابلية للتكرار عبر نماذج الذكاء الاصطناعي التوليدي المختلفة، مما يشير إلى أنها ليست أدوات تشخيصية قابلة للتبادل.

الأهمية والادعاءات
تخلص الورقة إلى ضرورة النظر إلى الذكاء الاصطناعي التوليدي كـ أداة لدعم القرار بدلاً من كونه نظامًا مستقلاً للفحص الانتهاسي لهشاشة العظام. ويؤكد المؤلفون أنه بينما قد لا يتفوق الذكاء الاصطناعي دائمًا على الأطباء، فإن قدرته على تقديم أحكام تشخيصية تكميلية يمكن أن تساعد في تحديد المرضى الذين يحتاجون إلى تقييم رسمي لكثافة المعادن في العظام (BMD)، مما يعالج مشكلة نقص التشخيص.

تؤكد الدراسة أن القيمة السريرية للذكاء الاصطناعي التوليدي تكمن في دمجه في سير العمل السريري جنبًا إلى جنب مع التقدير الطبي. ويحذر المؤلفون من أن قواعد الجمع البسيطة تنطوي على مقايضة بين الحساسية والنوعية، وأن التأثيرات التكميلية الظاهرة تتطلب تحققًا استباقيًا في مجموعات مستقلة. علاوة على ذلك، تشير الدراسة إلى أن تحسن القابلية للتكرار عبر التحفيز "قليل العينات" لا يعني بالضروبة تحسن الصلاحية التشخيصية، مما يؤكد ضرية تقييم الدقة والاتساق كأبعاد متميزة لأداء الذكاء الاصطناعي.