من الصورة فقط إلى فهم أعمق
معظم أنظمة الذكاء الاصطناعي في علم الأمراض تعتمد على تحليل الصور فحسب. نموذج MIL التقليدي يأخذ شرائح الأنسجة الرقمية ويصنفها حسب التسميات المحددة مسبقا. المشكلة أن هذا النهج مقيد بعدد التسميات التي درب عليها النموذج، ولا يتعامل مع الحالات النادرة أو غير المتوقعة.
PathAI طرحت نهجا مختلفا. بدلا من الاعتماد على الصور وحدها، يدمج نظام Multimodal Pathology الجديد بين القدرات البصرية لنموذجهم الأساسي PLUTO-4 والوصف اللغوي للأنسجة. الهدف ليس فقط تحسين الدقة، بل بناء نظام أكثر مرونة قادر على التكيف مع تشخيصات جديدة دون إعادة تدريب كاملة.
كيف يعمل النظام
النظام يستخدم تقنية التعلم التبايني (Contrastive Learning) لربط تمثيلات الصور القادمة من PLUTO مع أوصاف نسيجية مفصلة. النموذج يتعلم محاذاة السمات البصرية مباشرة مع النص الوصفي، مما يخلق فضاء تمثيل مشترك بين الصورة واللغة.
هذا يعني أن النظام لا يصنف الشرائح ضمن فئات ثابتة فقط، بل يفهم العلاقة بين ما يراه في الصورة وكيف يصفه الأطباء. النتيجة هي نظام قادر على التنبؤ بمصطلحات مفتوحة (open-vocabulary prediction)، والبحث في قواعد بيانات الشرائح باستخدام اللغة الطبيعية.
النتائج السريرية
في أمراض الجلد (Dermatopathology)، حقق النظام تحسنا بنسبة 4-6% مقارنة بنماذج MIL التي تعتمد على الصور فقط. في أمراض الجهاز الهضمي (GI Pathology)، كان التحسن أكبر بحدود 8-10%.
اللافت أن هذا التحسن جاء بتكلفة استدلال (inference cost) مماثلة، أي أن الأداء الأفضل لا يتطلب موارد حوسبية إضافية في مرحلة التطبيق الفعلي.
لماذا يهم هذا الأمر ممارسي علم الأمراض
النظام يفتح بابا للتشخيص المبني على اللغة الطبيعية. بدلا من إعادة تدريب النموذج كلما ظهرت فئة تشخيصية جديدة، يمكن وصف الحالة بالكلمات والنظام يفهم العلاقة. هذا يقرب طريقة عمل الذكاء الاصطناعي من طريقة تفكير أخصائي الأمراض الذي يجمع بين ما يراه بالمجهر ومعرفته اللغوية والسريرية.
الآفاق المستقبلية
القدرة على البحث باللغة الطبيعية عبر مئات الآلاف من الشرائح تغير طريقة عمل مختبرات علم الأمراض. يمكن لطبيب الأمراض البحث عن حالات مشابهة لحالة معينة باستخدام وصف لغوي بدلا من تصنيفات محددة مسبقا.
النموذج أيضا قادر على التعامل مع حالات نادرة لم تكن ضمن بيانات التدريب، لأن الفضاء اللغوي المشترك يسمح بالتعميم على تشخيصات جديدة. هذا يعالج واحدة من أكبر مشاكل الذكاء الاصطناعي الطبي: الاعتماد المفرط على البيانات المتاحة في التدريب.
المصدر: Pathology News – PathAI