في مؤتمر SMM4H-HeaRD 2026، تصدرت CaresAI المشهد بدراسة مبتكرة تهدف إلى توقع علامات مراحل الأورام، والتي تشمل Tumor وNode وMetastasis (TNM). تم تناول هذا التحدي كجزء من المهمة السادسة المشتركة، حيث تم الإعتماد على تقرير الباثولوجيا من مشروع قاعدة بيانات الجينوم السرطاني (TCGA) كمرجع أساسي.

تُعتبر هذه الدراسة فريدة من نوعها إذ تم تقسيم المشكلة إلى ثلاث مهام تصنيف متعددة العلامات. استخدمت CaresAI منهجين رئيسيين هما الأساليب التقليدية وتقنيات التعلم العميق، واعتمدت على ميزات Term Frequency-Inverse Document Frequency (TF-IDF) بالإضافة إلى تجسيدات من نماذج مثل ClinicalBERT وBioBERT وPubMedBERT.

ظهرت النتائج الأولية لتجارب النموذج بأن تجسيدات المؤشرات الفردية كانت تحمل أداءً مشابهاً لتصنيف علامات TNM، لكن دمج هذه التجسيدات ساهم في تحسين دقة التنبؤ بشكل ملحوظ. حيث حقق نموذج Wide Residual Networks (WRN) درجات AUROC تصل إلى 0.839 (T)، 0.8502 (N)، و0.803 (M) مع درجات F1 تبلغ 0.622، 0.702، و0.9337 على التوالي خلال مرحلة التدريب.

علاوة على ذلك، سجلت خوارزمية LightGBM باستخدام TF-IDF أداءً متميزًا، حيث حققت درجات AUROC تصل إلى 0.9368 (T)، 0.9524 (N)، و0.8311 (M) لتأمين درجات F1 تبلغ 0.7559 (T)، 0.7384 (N)، و0.7017 (M).

ومع ذلك، يشير تراجع الأداء في مرحلة التقييم إلى التحديات التي تواجه النموذج في تحقيق التعميم، بالإضافة إلى حساسيته تجاه عدم توازن الفئات وصعوبة معالجة الوثائق السريرية الطويلة. على الرغم من ذلك، توفر هذه الدراسة نموذجاً أساسياً فعالاً وخط أنابيب يمكن اعتماده، غير أن مزيداً من التحسين والتValidation المطلوبين قبل استخدامه في بيئات الرعاية الصحية الحقيقية.

ما رأيكم في هذه الابتكارات في مجال الذكاء الاصطناعي؟ شاركونا آرائكم في التعليقات!