RAG-MedDx: A Preliminary Offline Prototype of a Citation-Traced Retrieval-Augmented Framework for Intelligent Medical Diagnosis Support

في عالم الطب الحديث، أصبحت الحواسيب مساعدين أقوياء، قادرة على قراءة مكتبات هائلة من النصوص الطبية والتحدث بجمل طليقة تشبه لغة البشر. تعمل هذه الأنظمة، المعروفة باسم نماذج اللغات الكبيرة، من خلال التنبؤ بالكلمة التالية في الجملة بناءً على الأنماط التي تعلمتها من ملايين الوثائق. وبينما هي مثيرة للإعجاب في قدرتها على الظهور بمظهر الواثق والمتماسك، إلا أن بها عيباً جوهرياً: فهي لا تعرف الحقيقة دائماً. ولأنها تعتمد على الذاكرة بدلاً من التحقق المباشر من الحقائق، يمكنها أحياناً اختلاق تفاصيل تبدو منطقية ولكنها خاطئة تماماً. وفي مجال عالي الخطورة مثل الرعاية الصحية، حيث يمكن لخطأ واحد في تقدير مرض أو تفاعل دوائي أن يعرض حياة المريض للخطر، فإن هذا الميل لتأليف المعلومات يمثل مشكلة خطيرة. علاوة على ذلك، عندما تقدم هذه الأنظمة الحاسوبية إجابة، فإنها غالباً ما تعمل كـ "صناديق سوداء"، حيث لا توفر أي وسيلة لمعرفة أي كتاب أو دراسة استخدمتها للوصول إلى ذلك الاستنتاج. ويحتاج الأطباء والمرضى إلى معرفة ليس فقط ماهية الإجابة، بل ومن أين جاءت، حتى يتمكنوا من التحقق منها.

ولمعالجة هذه المخاطر، قامت الباحثة أكانكشا غيكواد ببناء نموذج أولي أولي لنوع جديد من أنظمة الدعم الطبي. هذا النظام، المسمى RAG-MedDx، مصمم لإجبار الحاسوب على البحث عن الإجابة في مجموعة محددة من الكتب الموثوقة قبل أن يتحدث، ومن ثم إظهار الكتاب الذي استخدمه بالضبط. والهدف هو إنشاء أداة تشخيصية لا تكتفي بالتخمين، بل تتبع كل بيان وصولاً إلى مصدر حقيقي. وقد اختبرت الباحثة هذه الفكرة من خلال إنشاء نسخة مبسطة، تعمل دون اتصال بالإنترنت (offline)، وتعمل بالكامل على جهاز كمبيوتر محلي دون الاتصال بالشبكة العالمية. وتظهر النتائج أن النظام يمكنه بنجاح العثء على معلومات طبية ذات صلة، وربطها بسؤال محدد، والاعتراف بعدم معرفته للإجابة، كل ذلك مع تجنب الحاجة إلى حاسوب سحابي للقيام بعملية التفكير.

الفكرة الجوهرية وراء هذا العمل هي تغيير كيفية توليد الحاسوب للنصائح الطبية. فبدلاً من ترك الحاسوب يعتمد فقط على تدريبه الداخلي، يعمل النظام الجديد مثل أمين مكتبة يجب عليه فحص الرفوف قبل الإجابة على سؤال ما. فعندما يكتب المستخدم وصفاً للأعراض، يبحث النظام أولاً في مجموعة محلية صغيرة مكونة من ستة مدخلات من الكتب الطبية المرجعية. ويبحث عن كلمات مفتاحية تطابق استعلام المستخدم. وإذا وجد تطابقاً، فإنه يستخرج تلك المعلومات ويستخدمها لبناء إجابة. ومن الأهمية بمكان أن كل جملة في الإجابة النهائية تأتي مع علامة صغيرة تشير مباشرة إلى مدخل الكتاب المرجعي المحدد الذي استُمدت منه. وهذا يخلق مساراً واضحاً من التشخيص وصولاً إلى الدليل، مما يسمح للبشر بالتحقق من المصدر فوراً. وإذا بحث النظام في مجموعته ولم يجد شيئاً يطابق الأعراض، فإنه لا يحاول التخمين، بل يخبر المستخدم ببساطة أنه لم يتم العثون على معلومات مطابقة، مما يمنع النظام من اختلاق تشخيص من تلقاء نفسه.

في الاختبارات التي أجريت لهذا البحث، أثبت النموذج الأولي أن هذا النهج يعمل في بيئة خاضعة للرقابة. فعندما أدخل مستخدم استعلاماً حول ألم في الصدر يمتد إلى الذراع اليسرى، بحث النظام بسرعة في قاعدة بياناته المحلية. ووجد مصدرين ذوي صلة وأنتج إجابة في 0.77 ثانية. وتضمنت الاستجابة استشهادات داخلية ربطت كل جزء من النصيحة بمدخل الكتاب المرجعي المحدد الذي استندت إليه. وفي اختبار ثانٍ، أدخل المستخدم كلمة مكتوبة بشكل خاطئ لا تطابق أي من المصطلحات الطبية في قاعدة البيانات. وفي هذه الحالة، أبلغ النظام بشكل صحيح أنه لم يتم العثون على مصادر ولم يقم بتوليد إجابة مزيفة، واستغرقت العملية بأكملها 0.49 ثانية. وقد أُجريت هذه الاختبارات على جهاز واحد دون أي اتصال بخوادم خارجية، مما يثبت أن النظام يمكنه العمل دون اتصال بالإنترنت والحفاظ على خصوصية بيانات المرضى.

من المهم فهم نطاق ما حققه هذا البحث. فالنظام الموصوف هو نموذج أولي، وهو خطوة أولى في مشروع أكبر. النسخة التي تم اختبارها في هذه الدراسة لم تستخدم ذكاءً اصطناعياً حقيقياً ومتقدماً لكتابة الإجابات؛ بل استخدمت مجموعة مبسطة من القواعد لمحاكاة كيفية تصرف الذكاء الاصطناعي. وبسبب ذلك، لا يدعي البحث أن النظام جاهز لتشخيص المرضى الحقيقيين أو أنه أفضل من الأدوات الطبية الحالية. كما لم يقم الباحثون بعد بقياس ما إذا كانت هذه الطريقة تقلل من الأخطاء أو تحسن سرعة التشخيص مقارنة بالنماذج الحاسوبية القياسية. إن العمل المقدم هنا هو عرض لإمكانية التنفيذ. فهو يوضح أنه من الممكن بناء نظام يسترجع المعلومات، ويرفق الاستشهادات، ويرفض الإجابة عندما يفتقر إلى الأدلة، كل ذلك ضمن مسار واحد قابل للفحص.

كما قامت الباحثة ببناء إطار عمل حاسوبي منفصل لاختبار النظام الكامل في المستقبل. تم تصميم إطار العمل هذا لمقارنة الطريقة الجديدة بنموذج حاسوبي قياسي لا يبحث عن المعلومات. والخطة هي تشغيل كلا النظامين على مجموعة كبيرة من الأسئلة الطبية وقياس عدد المرات التي يكون فيها النظام صحيحاً، وعدد المرات التي يختلق فيها معلومات، والوقت الذي يستغرقه للإجابة. ومع ذلك، لم تُجرَ هذه الاختبارات بعد. يركز البحث الحالي على تصميم النظام والنجاح في عرض وظائفه الأساسية. وتقر الباحثة بأن النموذج الأولي الحالي يستخدم مطابقة الكلمات المفتاحية البسيطة، والتي قد تفوت الإجابات إذا كُتبت الكلمة بشكل غير صحيح، وأن توليد الإجابات القائم على القواعد هو بديل لذكاء أكثر تعقيداً.

على الرغم من هذه القيود، يقدم النموذج الأولي رؤية واضحة لكيفية جعل الذكاء الاصطناعي الطبي أكثر أماناً وموثوقية. فمن خلال إلزام الحاسوب بإظهار عمله والاعتراف بعدم معرفته، يعالج النظام مشكلتين رئيسيتين: خطر المعلومات الخاطئة ونقص الشفافية. وتشير القدرة على العمل بالكامل دون اتصال بالإنترنت إلى إمكانية استخدام مثل هذا النظام في المستشفيات دون إرسال بيانات المرضى الحساسة إلى السحابة. وبينما يظل العمل أولياً ولا تزال النتائج النهائية بشأن الدقة والموثوقية قيد الانتظار، فقد نجح النموذج الأولي في إثبات أن بناء نظام يعتمد على استرجاع المعلومات المرتبطة باستشهادات، ويدرك عدم وجود تطابق، يمكن بناؤه واختباره. إنه يضع حجر الأساس لمستقبل يكون فيه الاستشارة الطبية من الحواسيب ليست فقط طليقة، بل أيضاً قابلة للتحقق وصادقة.