تعتبر نماذج التحويل (Transformer) من الأدوات الأساسية المستخدمة في التنبؤ السريري من السجلات الصحية الإلكترونية (EHRs). ولكن على الرغم من فعاليتها، فإن تصميم معماريتها يتطلب مجهودًا يدويًا كبيرًا، ويختلف التكوين الأمثل من مهمة لأخرى ومن مستشفى لآخر. هنا تأتي أهمية البحث في هندسة المعمارية العصبية (Neural Architecture Search) التي تعمل على أتمتة التصميم، لكن الأساليب التقليدية تكلفتها مرتفعة عند التعامل مع نماذج التحويل.

في هذا السياق، تم تقديم نظام ATHENA، والذي يُعد إطارًا مبتكرًا لتحسين عمليات البحث في هندسة المعمارية المدعومة بالمعرفة. يعتمد ATHENA على استخدام شبكة فائقة الوزن (weight-sharing supernet) يتم تدريبها مرة واحدة لكل مستشفى، مما يسمح باستنساخ المعماريات المترشحة وتقييمها عبر عملية ضبط دقيقة بدلاً من التدريب المستقل.

يتميز ATHENA أيضًا باستخدام نموذجين معماريين عبر المستشفيات. الأول يستخرج نماذج معمارية عالية الأداء اعتمادًا على أوصاف المهام، بينما الثاني يقدّر تأثيرات العناصر المعمارية باستخدام تفسيرات SHapley Additive exPlanations (SHAP) من خلال الانحدار الميتا.

عبر البحث في ستة مهام تنبؤية سريرية ونظامين صحيين مستقلين، أثبت ATHENA فعاليته في مطابقة أو تجاوز أربعة معايير بحث في هندسة المعمارية خلال 9 من 12 تقييمًا مُرتبطًا بالمستشفيات.

تقدم هذه الدراسة خطوة هامة نحو تقليل الحاجة للضبط اليدوي في تصميم نماذج الذكاء الاصطناعي للسجلات الصحية الإلكترونية، مما يعزز من دقة وكفاءة خدمات الرعاية الصحية. يمكنك الاطلاع على الكود البرمجي من خلال GitHub.