في عالم يتطور بسرعة في مجال الذكاء الاصطناعي، تكافح الأنظمة الطبية للحصول على إشراف كافٍ لتعليم وكلاء التشخيص. حيث يعدّ تدريب هذه الآلات أمراً معقداً، إذ أن تكلفة وضع تسميات على حوارات الأطباء مرتفعة، إضافةً إلى أن المحادثات السريرية تكون مقيدة بالخصوصية.

ولكن، قامت مجموعة من الباحثين بتقديم تقنية مبتكرة تُعرف باسم Guideline-as-Oracle (GAO)، والتي تستند إلى تجميع إرشادات من أكاديمية العيون الأمريكية في جدول يتكون من 70 قاعدة تشغيلية. وتم استخدام هذا الجدول كمصدر وحيد للإشراف على 3,000 حوار للتدريب، مما يقلل من الحاجة لتسمية بشرية إلا للتقييم.

تواجه عملية تحويل القواعد إلى حوارات مصاعب عدة، ولذلك قام الباحثون بتوثيق ثمانية استراتيجيات لبناء هذه الحوارات، وتوزيعها وفقًا لمستويات معينة. وبعد تدريب نموذج مؤلف من 9 مليار معلمة باستخدام هذه القواعد، تم الحصول على نمط GAO-Triage.

أظهرت النتائج تحسنًا كبيرًا في توافق التشخيص، حيث ارتفعت نسبة الاتفاق مع معيار تشغيلي من 61.7% إلى 74.1%، بينما ارتفعت دقة اكتشاف الحالات الطارئة من 9.5% إلى 69.0%.

وفي اختبار الأداء، لم ينجح أي من الأنظمة العامة السبعة التي تم تقييمها في التفوق على GAO-Triage في كلا المقياسين، كما أن استخدام تقنية GAO-Triage لا يتطلب نماذج معقدة أثناء مرحلة الاستنتاج.

هل ستشكل هذه التقنية مستقبل التشخيص الطبي وتؤثر على كيفية تعاملنا مع البيانات السريرية؟ سيكون لطيفاً سماع آراءكم حول هذا التطور.