في عالم الطب الحديث، يلعب الذكاء الاصطناعي (Artificial Intelligence) دورًا متزايد الأهمية. لكن هل تساءلت يومًا عن مدى قوة هذه الأنظمة أمام التحديات الحقيقية في بيئات الرعاية الصحية المحدودة الموارد؟

أصدرت دراسة جديدة تقارير مثيرة حول ضعف أنظمة الذكاء الاصطناعي في التشخيص السريري. فقد تم تقييم هذه الأنظمة غالبًا باستخدام بيانات باللغة الإنجليزية ومنظومات معيارية لا تعكس الواقع الذي يعيشه مقدمو الرعاية الصحية في مناطق مثل نيجيريا. هذه الدراسة تقدم أول تدقيق نظامي لاختبار نقطتين ضعف متضادتين في الذكاء الاصطناعي الطبي: هشاشة الصور أمام التهديدات (Adversarial Image Fragility) والانزلاق اللغوي التشخيصي (Cross-Lingual Diagnostic Drift).

باستخدام نموذج DenseNet121، الذي يُعد العمود الفقري لنظام CheXNet، وخُصص لتحليل الأشعة السينية لمرضى COVID-19، ظهر أن دقة التشخيص تتراجع من 89.3% إلى 62.0% عند تطبيق أي تغير طفيف لا يمكن إدراكه بالعين المجردة. والمثير للإعجاب أن استراتيجيات الدفاع القياسية، مثل التنعيم الغازي، لم تتمكن من استعادة السلامة السريرية.

وفي تجربة موازية، تم اختبار نموذجين لغويين على 20 حالة سريرية لمرضى COVID-19 مقدمة بالإنجليزية القياسية، ولغة نيجيرية بيدجين (Nigerian Pidgin)، والإنجليزية المتأثرة باللهجة اليوغندية. إذ تراجعت دقة نموذج Llama3.1:8b من 80.0% إلى 65.0% في البيدجين، بينما نموذج NatLAS، الذي يمثل السياق الأفريقي، انخفض من 85.0% إلى 55.0% مع انخفاض الاتساق في التشخيص إلى 50%.

هذه النتائج تقدم صورة مقلقة عن كيفية فشل الأنظمة الحالية للذكاء الاصطناعي في مواجهة التحديات المعقدة في الرعاية الصحية. تدعو هذه الدراسة إلى تطوير أنظمة ذكاء اصطناعي مضادة للتهديدات وشاملة من الناحية اللغوية لتلبية احتياجات الناس في المناطق المنخفضة الموارد. كيف تقيّمون هذه التحديات في تطبيقات الذكاء الاصطناعي؟ ما رأيكم في ضرورة تطوير هذه الأنظمة؟ شاركونا في التعليقات.