RAG-Based Medical Question Answering Assistant Using Semantic Embedding NLP Technique

في المشهد الواسع للذكاء الاصطناعي، ظل هناك تحدٍ محدد يحير الباحثين لفترة طويلة: كيف يمكن جعل الكمبيوتر يفهم لغة الطب الدقيقة وعالية المخاطر. إن النماذج اللغوية الكبيرة، وهي المحركات القوية وراء روبوتات الدردشة الحديثة، يتم تدريبها على الإنترنت بأكره، لتتعلم التحدث كبشر مطلعين. ومع ذلك، عندما يطرح مستخدم سؤالاً طبياً معقداً، غالباً ما تتعثر هذه النماذج العامة؛ فقد تغفل عن المعنى الدقيق لعرض نادر أو تخلط بين علاجين متشابهين في النطق لأن بيانات تدريبها تعامل المصطلحات الطبية بنفس الطريقة التي تعامل بها الكلمات اليومية. ولحل هذه المشكلة، طور العلماء طريقة تسمى "التوليد المعزز بالاسترجاع". تخيل طالباً يؤدي اختباراً ويُسمح له بإحضار كتاب مدرسي إلى الغرفة؛ فبدلاً من الاعتماد فقط على الذاكرة، يبحث الطالب أولاً عن الإجابة في الكتاب ثم يكتب استجابة بناءً على تلك الأدلة. وفي العالم الرقمي، يعني هذا أن الكمبيوتر يبحث في مكتبة موثوقة من الحقائق الطبية قبل أن يحاول الإجابة على سؤال، مما يضمن أن تكون الاستجابة قائمة على الواقع بدلاً من التخمين. الخطوة الحاسمة في هذه العملية هي عملية البحث نفسها. ولكي يجد الكمبيوتر الصفحة الصحيحة في الكتاب المدرسي، يجب عليه ترجمة سؤال المستخدم ومحتويات المكتبة إلى خريطة رياضية حيث تقع الأفكار المتشابهة بالقرب من بعضها البعض. وتظل مسألة ما إذا كانت الخريطة العامة تعمل بنفس كفاءة الخريطة المرسومة خصيصاً لتضاريس الطب هي نقاش مركزي في هذا المجال.

قام باحث في جامعة سانجيفاني في الهند الآن ببناء نظام فعال لحسم هذا النقاش، حيث أنشأ مساعداً للإجابة على الأسئلة الطبية يختبر طرقاً مختلفة لتمثيل المعرفة الطبية. تركز الدراسة على نموذج "التضمين" (embedding)، وهو المكون البرمجي المسؤول عن ترجمة النص إلى تلك الإحداثيات الرياضية. أعد الباحث تجربة منضبطة باستخدام مجموعة ضخمة تضم أكثر من 16,000 سؤال وجواب طبي حقيقي مستمد من مواقع صحية حكومية أمريكية موثوقة، وقد عملت مجموعة البيانات هذه ككتاب مدرسي للنظام. ثم بنى الباحث مسار عمل (pipeline) حيث يمكن للكمبيوتر الاختيار بين نوعين من الخرائط: إحداهما عامة الأغراض، مصممة لفهم جميع لغات البشر، وأخرى متخصصة، صُممت خصيصاً لفهم الفروق الدقيقة في علم الأحياء والطب. يأخذ النظام سؤالاً طبياً، ويحوله إلى إحداثي خريطة باستخدام أحد هذه النماذج، ويبحث في المكتبة عن الحقائق الأكثر مطابقة، ثم يولد إجابة. ومن خلال تمرير نفس الأسئلة تماماً عبر كل نسخة من النظام، تمكن الباحث من قياس أي نهج وجد المعلومات الأكثر صلة وأنتج الإجابات الأكثر دقة.

كانت نتائج هذه المقارنة واضحة وحاسمة. فقد عانى النظام الذي استخدم الخريطة عامة الأغراض في التنقل عبر التضاريس المعقدة للمصطلحات الطبية، وغالباً ما استرجع حقائق كانت مرتبطة بشكل فضفاض فقط بالسؤال. في المقابل، وجدت الخرائط الطبية المتخصصة المعلومات الأكثر صلة باستمرار. ومن بين النماذج المتخصصة التي تم اختبارها، برز نموذج يسمى (MedCPT) كأكثر دليل فعال. فعندما استخدم النظام هذا النموذج المحدد، استرجع الحقائق الطبية الصحيحة بدقة بلغت 91.5 بالمائة، مما يعني أنه من بين كل عشر قطع من المعلومات التي استخرجها، كانت أكثر من تسع منها ذات صلة مباشرة بالسؤال. وكان هذا تحسناً كبيراً عن النموذج العام، الذي حقق دقة بلغت 74.2 بالمائة فقط. كما تفوق النموذج المتخصص في العثور على الإجابات الصحيحة عندما تكون مدفونة في أعماق النص، وهو مقياس يُعرف باسم "الاستدعاء" (recall)، حيث وصل إلى 87.8 بالمائة مقارنة بـ 68.5 بالمائة للنموذج العام.

وبعيداً عن مجرد العثور على الحقائق الصحيحة، تحسنت جودة الإجابات النهائية بشكل كبير عندما استخدم النظام الخريطة المتخصصة. فقد تم تقييم الإجابات التي ولدها نموذج (MedCPT) بأنها دقيقة بنسبة 94.1 بالمائة، وأظهرت درجة عالية من "الأمانة" (faithfulness)، مما يعني أن الكمبيوتر التزم بدقة بالأدلة التي وجدها دون اختراع تفاصيل. وبالمقارنة، أنتج النموذج عام الأغراض إجابات بلغت دقتها 78.4 بالمائة فقط. كما قاست الدراسة المدة التي يستغرقها النظام في التفكير والاستجابة؛ فقد كان النموذج العام هو الأسرع، حيث أتم عملية البحث في حوالي 42.5 مللي ثانية. واستغرقت النماذج المتخصصة وقتاً أطول قليلاً، حيث استغرق (MedCPT) حوالي 85.0 مللي ثانية. ومع ذلك، أشار الباحثون إلى أن هذه الزيادة الطفيفة في الوقت كانت مقايضة تستحق العناء مقابل المكاسب الكبيرة في الموثوقية والدقة. كما وفر النظام رؤية شفافة لعمله، حيث أظهر للمستخدم بالضبط المستند المصدر الذي استخدمه ومدى قرب النص المسترجع من السؤال، مما سمح بمراجعة واضحة لأصل الإجابة.

كما أولى الباحث اهتماماً وثيقاً بكيفية تعامل النظام مع أنواع مختلفة من الأسئلة الطبية، لضمان أن النتائج ليست مجرد ضربة حظ لبعض الاستفسارات السهلة. تضمنت مجموعة البيانات أسئلة حول الأعراض، والعلاجات، والأسباب، والوقاية، مغطيةً نطاقاً واسعاً من المواضيع الطبية. وأظهر التقييم أن النماذج المتخصصة كان أداؤها جيداً عبر جميع هذه الفئات، وليس فقط في الفئات الأكثر شيوعاً. وهذا يشير إلى أن ميزة استخدام خريطة طبية متخصصة هي ميزة ثابتة، بغض النظر عما إذا كان المستخدم يسأل عن نزلات البرد الشائعة أو حالة وراثية نادرة. كما أقرت الدراسة بحدود نهجها؛ فالنظام لا يكون أفضل من المكتبة التي يبحث فيها؛ فإذا كانت المكتبة لا تحتوي على معلومات حول مرض معين أو إذا كانت المعلومات قديمة، فلا يمكن للنظام ابتكار حقائق جديدة. علاوة على ذلك، كانت مجموعة البيانات بأكملها باللغة الإنجليزية، مما يحد من قدرة النظام على خدمة المتحدثين بغير الإنجليزية دون خطوات ترجمة إضافية.

في الختام، يوضح هذا العمل أن اختيار كيفية فهم الكمبيوتر للغة ليس تفصيلاً ثانوياً في التطبيقات الطبية، بل هو عامل أساسي في السلامة والدقة. تثبت الدراسة أن الأداة عامة الأغراض، رغم كونها مثيرة للإعجاب في سياقات عديدة، ليست كافية للدقة المطلوبة في الرعاية الصحية. فمن خلال استخدام نموذج تم تدريبه خصيصاً على الأدبيات الطبية الحيوية، يمكن للنظام التنقل عبر تعقيدات اللغة الطبية بمستوى من العناية لا يمكن للنماذج العامة مضاهاته. وتشير النتائج إلى أنه لأي ذكاء اصطناعي يهدف إلى المساعدة في المعلومات الصحية، يجب أن تُبنى القاعدة على معرفة متخصصة. ويعمل النظام الذي تم تطويره في هذه الدراسة كنموذج أولي فعال، يوضح أنه مع الأدوات الصحيحة، يمكن لأجهزة الكمبيوتر أن تعمل كمرشدين موثوقين عبر غابة المعلومات الطبية الكثيفة، مشيرةً دائماً إلى المصادر الموثوقة التي تثبت الحقيقة.