في ظل التطورات المتسارعة في مجال الذكاء الاصطناعي، أصبحت نماذج رؤية اللغة الطبية (Medical Vision-Language Models) تلعب دورًا محوريًا في تحليل الصور السريرية، بما في ذلك اكتشاف الآفات وتوليد التقارير. ورغم ذلك، تظل فعالية هذه النماذج محدودة بسبب حساسيتها المنخفضة تجاه الآفات الدقيقة، والتي غالبًا ما تكون مرئية بشكل خافت ومدمجة ضمن سياقات تشريحية معقدة.

تتجلى المشكلة عندما يتم تجميع الرموز البصرية المحلية، مما يؤدي إلى تقليل تمثيل دلالات الآفات الضعيفة في التمثيلات العالمية للصورة، ويصعب الأمر على نماذج الذكاء الاصطناعي التعرف عليها. تم تطوير مجموعة من الحلول لتحسين حساسية الآفات الأغلب تعتمد على التدريب المسبق لنماذج الرؤية الطبية أو تحسين التوجهات المبنية على المصطلحات السريرية، ولكنها تحتاج بالضرورة إلى تدريب إضافي أو تعديلات خاصة بالنموذج، مما يقيد استخدامها.

للتغلب على هذه القيود، تم تقديم EasyLens، وهو مضخم لتمثيل الآفات الدقيقة يعمل بكفاءة دون الحاجة إلى تدريب. يعتمد EasyLens على إنشاء EasyBank، وهو مساحة نماذج تشريحية للآفات توفر نماذج مرتبطة بالآفات ومراجع طبيعية لتسهيل المقارنة بين البقع الشكية والأنماط التشريحية الطبيعية.

كما يعتمد EasyTag على اختيار البقع ذات الصلة بالآفات من خلال التفكير في النماذج المضادة، مما يمنع زيادة التأثير العشوائي على الأنسجة الطبيعية. ومن خلال استخدام تقنية EasyAmplifier، يتم تعزيز تمثيلات البقع ذات الصلة بالآفات من خلال تحسينات موجهة بالمورفولوجيا، مما يزيد من دورها في الانغماس العالمي للصورة.

أثبتت التجارب على عدة مجموعات بيانات للصورة الطبية أن EasyLens يعزز اكتشاف الآفات الدقيقة، متفوقًا على الأساليب التقليدية لتحسين التشفير. إن إطلاق EasyLens قد يمثل تحولًا في كيفية تعامل نماذج الذكاء الاصطناعي مع التحديات المتعلقة بالرؤية الطبية.