يساعد في تشخيص 362 مرضًا شائعًا! اقترحت جامعة كامبريدج/أكسفورد/وارويك وآخرون إطار عمل نموذجي لغوي كبير متعدد الوكلاء لبناء رسم بياني للمعرفة الطبية تلقائيًا
إن نقص الموارد الطبية اليوم يمثل مشكلة طويلة الأمد تؤثر على النظام الطبي العالمي، ويبرز "نقص الأطباء" بشكل خاص في مجالات الرعاية الأولية والطب العام. تتنبأ منظمة الصحة العالمية أنه بحلول عام 2030، سيعاني العالم من نقص قدره 15 مليون عامل صحي. وفي الصين، ووفقاً لبيانات المكتب الوطني للإحصاء واللجنة الوطنية للصحة، ورغم أن العدد الإجمالي للأطباء في الصين قد زاد عاماً بعد عام، فإن عدد الأطباء في بعض المناطق النائية والريفية لا يزال بعيداً عن الكفاية.
يعد التشخيص والعلاج المتدرج أحد النماذج الفعالة للتخفيف من "نقص الأطباء". وبموجب هذا النموذج، عندما يصل المرضى إلى المستشفى، إذا لم يتمكنوا من تحديد مشكلتهم، يقوم الطبيب العام أولاً بإجراء فحص أولي لتحديد الاتجاه العام للمشكلة، ثم يحيل المريض إلى أخصائي ذي صلة، مثل أمراض القلب والأعصاب وما إلى ذلك، لمزيد من التشخيص والعلاج. يضمن هذا النموذج المتعدد الطبقات والتعاوني تشخيصًا فعالًا وشاملًا ومهنيًا، ويقلل من عبء العمل على المتخصصين، ويجعل تدريبهم أكثر استهدافًا، وبالتالي تقصير دورة التدريب وتجديد موارد الأطباء بسرعة.
ومع ذلك، فإن وقت الأطباء وطاقتهم محدودة بعد كل شيء. أصبحت كيفية استخدام التقنيات المتقدمة مثل الذكاء الاصطناعي لتحسين كفاءة التشخيص وبالتالي تخفيف النقص في موارد الأطباء محور اهتمام الصناعة. مستوحى من نموذج التعاون الهرمي الطبي المذكور أعلاه،اقترح فريق بحثي من جامعة وارويك وجامعة كرانفيلد وجامعة كامبريدج وجامعة أكسفورد مشروع KG4Diagnosis.هذا إطار عمل هرمي متعدد الوكلاء جديد يحاكي النظام الطبي في العالم الحقيقي للتعاون بين الأطباء العامين والمتخصصين من خلال بنية ذات طبقتين. يتم استخدامه لأتمتة بناء وتشخيص وعلاج وتفسير الرسوم البيانية للمعرفة الطبية. ويتغلب على القيود التي تفرضها أساليب بناء الرسوم البيانية للمعرفة الطبية الحالية في قابلية التوسع ومعالجة البيانات غير المنظمة، ويغطي 362 مرضًا شائعًا، ويمتد إلى مجالات طبية متعددة مثل السمنة.
وقد تم نشر النتائج ذات الصلة في برنامج AAAI-25 Bridge للمؤتمر الرائد تحت عنوان "KG4Diagnosis: إطار عمل LLM متعدد الوكلاء الهرمي مع تعزيز الرسم البياني المعرفي للتشخيص الطبي".
اتبع الحساب الرسمي ورد على "Medical Knowledge Graph" للحصول على ملف PDF كامل
مجموعة بيانات الإجابة على أسئلة النصوص الطبية MedQA:
يجمع المشروع المفتوح المصدر "awesome-ai4s" أكثر من مائة تفسير ورقي لـ AI4S ويوفر مجموعات وأدوات ضخمة من البيانات:
https://github.com/hyperai/awesome-ai4s
ما هي الأهمية التخريبية لـ KG4Diagnosis؟
لماذا قام الباحثون بتطوير KG4Diagnosis؟
في الواقع، ينبع هذا من فكرة مفادها ما إذا كان من الممكن استخدام الذكاء الاصطناعي لمحاكاة النظام الطبي الهرمي في العالم الحقيقي لحل تعقيد التفكير التشخيصي الطبي. وهكذا، وُلد إطار عمل KG4Diagnosis، وهو إطار عمل هرمي متعدد الوكلاء يدمج نموذج اللغة الكبيرة للطبيب العام (GPLLM) ونماذج اللغة الكبيرة للخبراء المتعددة المجالات (Consultant-LLMs) - يقوم وكيل الطبيب العام (GP) بإجراء التقييم الأولي والفرز، ثم ينسق مع الوكلاء المتخصصين لإجراء تحليل محدد للمجال.
كيف تم بناء الإطار؟
وبمصطلحات بسيطة، يمكن تقسيمها إلى 5 خطوات:
(1) يتم تقسيم النص الطبي المدخل إلى كتل بيانات تتوافق مع قيود السياق في مخطط المعرفة ومعالجتها بواسطة وحدات استخراج الكيانات القائمة على الدلالات واستخراج العلاقات؛
(2) يتم تخزين الكيانات والعلاقات المستخرجة في قاعدة بيانات مخصصة؛
(3) يتم استخدام قواعد البيانات هذه لبناء الرسم البياني للمعرفة الطبية؛
(4) الجمع بين الرسوم البيانية للمعرفة الطبية مع نماذج اللغة الكبيرة (LLMs) وأنظمة متعددة الوكلاء لتعزيز التفكير التشخيصي؛
(5) يتم إرجاع نتائج التشخيص إلى نقطة نهاية المستخدم من خلال التفكير الموجه بواسطة الإنسان.
ومن الواضح أن هذا النهج يجمع بين القدرات الواسعة للنماذج اللغوية الكبيرة ودقة المعرفة الطبية المتخصصة لتحقيق نتائج تشخيصية أكثر تقدمًا. وبحسب فريق البحث، فإن أسلوب تدريب النظام يغطي 362 مرضًا شائعًا عبر تخصصات طبية متعددة، وهو ما يمثل مجموعة واسعة من التشخيصات الطبية.
ما هو التأثير الفعلي لتطبيق هذا النظام؟
يوضح الرسم البياني التالي كيف يتعاون الإطار الجديد الذي اقترحته الدراسة في عملية التشخيص وكيف يمكن لأنظمة الذكاء الاصطناعي المساعدة في تقديم المشورة الطبية الشخصية: يصف المريض الأعراض، ويطرح الطبيب أسئلة توضيحية، ويقدم الذكاء الاصطناعي تفسيرات واقتراحات.
* المريض: "دكتور، أعاني مؤخرًا من طنين في أذني، وخاصةً في الليل. أشعر وكأن هناك صوت طنين مستمر يؤثر على نومي وتركيزي."
* الطبيب: "هل طنين أذنك مستمر أم أنه يأتي ويختفي؟ هل لديك أعراض أخرى، مثل الصداع، أو فقدان السمع، أو ألم في الأذن؟"
* الذكاء الاصطناعي: "نأسف لسماع انزعاجك. يمكن أن يحدث طنين الأذن نتيجة عوامل متعددة، مثل التعرض للضوضاء العالية، أو التهابات الأذن، أو ارتفاع ضغط الدم، أو التوتر. هل أجريتَ فحص سمع أو فحصًا للأذن مؤخرًا؟ يمكن أن تساعد هذه الفحوصات في تحديد شدة طنين الأذن وأسبابه المحتملة."
ويوضح الشكل أدناه بشكل أكبر خبرة النظام في الرسم البياني للمعرفة في مجال السمنة، حيث يوضح العلاقة بين السمنة ومرض السكري من النوع 2 وأمراض القلب والأوعية الدموية، وأعراضها الشائعة وعلاجاتها والأمراض المصاحبة لها، ويؤكد على الدور المتعدد الأوجه للأدوية في حل المشاكل الصحية المعقدة.
باختصار، تتناول هذه الدراسة تحديات الهلوسة التي تواجهها نماذج اللغة الكبيرة في التشخيص الطبي من خلال التحقق من العوامل المتعددة وقيود الرسم البياني للمعرفة، وتتحقق من فعالية هذه الآليات من خلال اختبارات معيارية شاملة. وفي الوقت نفسه، أظهر الباحثون أيضًا القيمة العملية لهذا الإطار من خلال السيناريوهات الطبية في العالم الحقيقي، وتطبيقاته المستقبلية تستحق التطلع إليها.
التكنولوجيا والتطبيق مزدهران! التشخيص بمساعدة الذكاء الاصطناعي له مستقبل واعد
مخطط تقدم البحث في المعرفة الطبية
KG4Diagnosis الذي اقترحه فريق البحث المذكور أعلاه هو إطار عمل نموذجي لغوي كبير متعدد الوكلاء يعتمد على تعزيز الرسم البياني للمعرفة. تصف ما يسمى بالرسوم البيانية المعرفية (KGs) المفاهيم في العالم المادي وعلاقاتها في شكل رمزي.
تتضمن طرق إنشاء الرسوم البيانية للمعرفة الطبية حاليًا أنظمة تقليدية تعتمد على القواعد ونماذج الذكاء الاصطناعي المتقدمة. توفر الأساليب القائمة على القواعد الموثوقية ولكنها تفتقر إلى القدرة على التوسع، في حين تظهر نماذج اللغة مثل GPT وMedPaLM إمكانات في توليد المعرفة المنظمة من البيانات غير المنظمة، ولكنها تواجه مشاكل الهلوسة والدقة.
وفي مواجهة هذه التحديات، استكشفت العديد من فرق البحث اتجاهات متعددة: على سبيل المثال، من أجل معالجة تحدي الهلوسة في نماذج اللغة الكبيرة، يُعتبر استرجاع الحقائق ذات الصلة من الرسوم البيانية المعرفية نهجًا واعدًا. غالبًا ما تتطلب طرق تعزيز المعرفة الحالية جولات متعددة من الاسترجاع والتحقق لكل حقيقة، مما يعيق تطبيقها في السيناريوهات العملية. اقترح فريق بحثي من إمبريال كوليدج لندن طريقة استرجاع المعرفة المعززة ذاتيا (Re-KGR) لتعزيز واقعية استجابات الماجستير في القانون في المجال الطبي مع بذل جهد استرجاع أقل. وقد نُشرت النتائج ذات الصلة على موقع arXiv تحت عنوان "تخفيف الهلوسة في نماذج اللغة الكبيرة من خلال استرجاع المعرفة المعزز بالتحسين الذاتي".
وفي الوقت نفسه، حققت الصناعة أيضًا نتائج رائدة في استخدام الرسوم البيانية للمعرفة الطبية لبناء نماذج طبية كبيرة. على سبيل المثال، يمكن تعلم النماذج الأساسية (FMs) من كميات كبيرة من البيانات غير المصنفة لإظهار الأداء المتفوق في مجموعة واسعة من المهام. ومع ذلك، فإن النماذج الأولية التي تم تطويرها للمجال الطبي الحيوي لا تزال أحادية النمط إلى حد كبير. للتغلب على هذا القيد، اقترح فريق بحثي من جامعة إلينوي في إربانا شامبين BioBRIDGE، الذي يستخدم الرسوم البيانية المعرفية لتعلم التحويل بين FM أحادي النمط وآخر أحادي النمط دون ضبط أي FM أحادي النمط أساسي.
تظهر النتائج أن BioBRIDGE يمكن أن يتفوق على أفضل طريقة تضمين KG الأساسية (في المتوسط حوالي 76.3% أعلى) في مهمة الاسترجاع عبر الوسائط. وقد تم تسمية نتائج البحث ذات الصلة بـ "BIOBRIDGE: BRIDGING BIOMEDICAL FOUNDATION MODELS VIA KNOWLEDGE GRAPHS" وتم قبولها من قبل ICLR 2024.
يساعد التشخيص بمساعدة الذكاء الاصطناعي على تحسين الكفاءة وتخفيف نقص الموارد الطبية
إن التقدم التكنولوجي يهدف في نهاية المطاف إلى الاستفادة من التطبيقات العملية، وتقليل أعباء العمل على الأطباء، وتحسين دقة التشخيص وكفاءته. من خلال دمج كمية كبيرة من المعرفة الطبية والبيانات السريرية، حققت الذكاء الاصطناعي العديد من التطورات الرئيسية في التشخيص المساعد في السنوات الأخيرة.
في نوفمبر 2024، تم تضمين التشخيص بمساعدة الذكاء الاصطناعي في إرشادات مشروع الإدارة الوطنية لأمن الرعاية الصحية لأول مرة. من أجل دعم تكنولوجيا الذكاء الاصطناعي الناضجة نسبيًا لدخول التطبيقات السريرية ومنع العبء الإضافي على المرضى، قامت الإدارة الوطنية لأمن الرعاية الصحية بتحليل سيناريوهات التطبيق المحتملة للذكاء الاصطناعي وأنشأت عناصر تمديد "بمساعدة الذكاء الاصطناعي" في فحوصات الأشعة، وفحوصات الموجات فوق الصوتية، ومشاريع إعادة التأهيل. بمعنى ما، يضع هذا الأساس السياسي لتطبيق التشخيص بمساعدة الذكاء الاصطناعي على نطاق واسع في المستقبل.
وفيما يتعلق بالتطبيقات المحددة، أعلن فريق جامعة جنوب الصين للتكنولوجيا في فبراير 2024 أنه طور نظامًا ذكيًا لفحص أمراض العيون، والذي يدمج نموذج الذكاء الاصطناعي المدرب بناءً على مجموعة بيانات وسلسلة من الأجهزة مثل كاميرا قاع العين. يمكنه تقديم توصيات تشخيصية لأكثر من 30 مرضًا في غضون 15 ثانية بعد الانتهاء من تصوير قاع العين الملون.
في يونيو 2024، ذكرت OpenAI في مدونتها الرسمية أن Color Health استخدمت نموذج GPT-4o الخاص بـ OpenAI لتطوير مساعد طيار بالذكاء الاصطناعي لمساعدة الأطباء في فحص وعلاج مرضى السرطان، وبالتالي تحقيق كفاءة علاجية أفضل. وفقًا للبيانات الرسمية، يمكن للمؤسسات الطبية التي تستخدم مساعدي الذكاء الاصطناعي تحديد نتائج مرضية أكثر بأربع مرات من تلك التي لا تستخدم مساعدي الذكاء الاصطناعي. بالإضافة إلى ذلك، باستخدام مساعد الذكاء الاصطناعي، استغرق الأطباء في المتوسط خمس دقائق لتحليل سجلات المرضى، بينما بدونها، ستكون البيانات مجزأة، مما قد يؤدي إلى أسابيع من التأخير.
بالإضافة إلى ذلك، أفادت التقارير أن iFlytek Medical قامت بتصحيح 1.6 مليون تشخيص خاطئ رئيسي واكتشفت 60 مليون دواء غير منطقي أو مشتبه به من خلال التشخيص بمساعدة الذكاء الاصطناعي، مما أدى إلى تحسين التشخيص الأساسي وقدرات العلاج ومنع التشخيص الخاطئ والتشخيصات المفقودة.
وبناءً على التكنولوجيا، أعتقد أن الذكاء الاصطناعي سيصبح "اليد اليمنى" للأطباء في المستقبل، مما يعمل على تحسين إمكانية الوصول إلى الخدمات الطبية وجودتها بشكل مستمر.
مراجع:
1.https://arxiv.org/abs/2412.16833
2.https://zh.wikipedia.org/wiki/%E7%9F%A5%E8%AD%98%E5%9C%96%E8%AD%9C
3.https://53ai.com/news/LargeLanguageModel/2024060240513.html
4.https://hub.baai.ac.cn/view/36889
5.https://www.yicai.com/news/102371268.html
6.https://m.yicai.com/news/102153745.html