تعد تقنيات توليد تقارير الأشعة (Radiology Report Generation) أحد التطورات الهامة في مجال الرعاية الصحية، حيث تهدف هذه التقنية إلى إنتاج تقارير نصية دقيقة وسريعة من الصور الطبية. ومع ذلك، كانت الأساليب التقليدية تعتمد بشكل كبير على نماذج اللغة autoregressive (AR) التي تفرض قيودًا على عملية التوليد، حيث تسير الأمور في اتجاه واحد فقط (من اليسار إلى اليمين).

تقديم AnchorDiff كإطار عمل يعتمد على أسلوب masked-diffusion يُعتبر خطوة ثورية، حيث يمزج معايير المعرفة المستمدة من الرسوم البيانية السريرية (knowledge-graph) داخل نمذجة اللغة بالانتشار. بينما تسعى هذه التقنية الجديدة للاستفادة من سياق ثنائي الاتجاه (bidirectional context) وتحسينات متكررة في عملية التوليد، فإنها تقدم حلاً لتجاوز القيود المفروضة من نماذج الترتيب الثابت.

ابتكرت AnchorDiff استراتيجية تدريب مدروسة تأخذ في اعتبارها هياكل الكيانات المستمدة من RadGraph، حيث يتم توزيع الحماية المختلفة للأقنعة (masking) وأوزان الخسارة (loss weights) على الرموز السريرية الهامة. علاوة على ذلك، يتم تعريف استراتيجية إعادة الكتابة في أوقات الاستدلال (inference) التي تكتشف الرموز غير المستقرة، مما يسمح بتحسين النصوص الناتجة.

تظهر التجارب الواسعة التي أجريت على معايير MIMIC-CXR وMIMIC-RG4 أن AnchorDiff يحقق أداءً مذهلاً، حيث يثبت كفاءة تقنية الذكاء الاصطناعي في تطوير تقارير الأشعة بدقة واحترافية.