في عالم التكنولوجيا والذكاء الاصطناعي، تظهر تحديثات جديدة كل يوم تساهم في تحسين دقة التشخيص الطبي. ومن أبرز هذه الابتكارات، نموذج GazeWorld الذي يفتح آفاقاً جديدة في كيفية معالجة الصور الطبية. يعتمد هذا النموذج على بيانات تعقب العين (Eye-tracking) لأطباء الأشعة، مما يوفر سِجلاً غنياً يتعلق بكيفية بحث الخبراء ومقارنة الأدلة أثناء قراءة الصور.

الغريب أن الطرق الحالية تستغل هذه البيانات بشكل جزئي فقط، إما كإشارات ثلاثية الأبعاد ثابتة أو كأهداف تنبؤية مساعدة غير مرتبطة بالتشخيص. بينما نظرًا لتقنيات GazeWorld، تم معالجة الصورة كالعالم الحقيقي، واعتُبرت تسلسلات تثبيت العين الخاصة بأطباء الأشعة كنقاط مرور داخل هذا العالم.

يعمل نموذج GazeWorld على التنبؤ الأوتوريجري (Autoregressively) بالتمثيل الكامن للمنطقة التي تمت ملاحظتها بعد ذلك استنادًا إلى جميع المناطق التي تم زيارتها مسبقًا، كما توفر فرع الإكمال المكاني تغطية للمناطق التي لم تُزر.

خلال مرحلة الاختبار، يُمكن للنموذج إنتاج تسلسل من تمثيلات الأجزاء انطلاقاً من الصورة فقط، دون الحاجة لبيانات تعقب العين الحقيقية. وهو ما أثبت فعاليته الفائقة، حيث حققت خاصيات GazeWorld المجمدة (Frozen Features) دقة تشخيص متفوقة عبر جميع الإعدادات المراقبة التسعة على مجموعة بيانات CheXpert وRSNA Pneumonia وSIIM-ACR Pneumothorax.

الأهم من ذلك أنه قد حصل على أعلى دقة دون تدريب على مجموعة البيانات الثلاثة. كما أظهرت النتائج على Benchmark GazeSearch أن مُفكِّك البيانات العام، الذي تم تدريبه على نفس الخصائص المجمدة، يتفوق على النظام المخصص LogitGaze-Med بأكثر من 16% في قياس ScanMatch و22% في SED.

تُظهر النتائج الواعدة لنموذج GazeWorld أن فهم كيفية قراءة الخبراء، وليس فقط ما يتوصلون إليه، يمكن أن يقدم نموذج تدريب مسبق واعد لتطوير الذكاء الاصطناعي في مجال الصور الطبية. هل سيُغير هذا النموذج قواعد اللعبة في تشخيص الأمراض؟ ما انطباعكم عن هذا التطور؟ شاركونا آراءكم في التعليقات!