في قلب تطورات الذكاء الاصطناعي، تتجه الأنظار نحو معيار جديد يُضاف إلى قائمة المعايير الطبية المعتمدة. الحديث هنا عن IMCBench، الذي يعالج الفجوات الحالية في المعايير المتاحة من خلال دمج المحادثات الطبية متعددة الأنماط، وتحديدًا المرتبطة بصورة سريرية ومعلومات مرضى صناعية، مما يسهل تقييم تفاعل الأطباء مع المرضى بشكل أكثر واقعية.

تعتبر النماذج الحالية، مثل نماذج اللغات الضخمة (Large Language Models) ونماذج الرؤية واللغة (Vision-Language Models)، أمورًا حيوية في تطبيقات السرية الطبية. إلا أن المعايير الطبية الحالية كانت تعاني من التفكك. فقد كانت بعض المعايير تدعم حوارات متعددة المراحل ولكن تفتقر إلى الصور، بينما قدمت أخرى مدخلات متعددة الأنماط ولكنها ركزت على مهام الأسئلة والأجوبة في جولة واحدة.

لذلك، جاء IMCBench ليُشغل هذا الفراغ، حيث يقوم بتقييم الحوارات الطبية التي تشمل صورًا إكلينيكية حقيقية موضوعة جنبًا إلى جنب مع ملفات مرضى صناعية. يتم تقييم كل محادثة وفق ثلاثة أبعاد إكلينيكية: الأمان والدقة والاستخدام المناسب لعدم اليقين في التشخيص.

تجري الاختبارات على ثمانية نماذج متقدمة ضمن أربع عائلات نموذجية (Claude، GPT، Nova، وLlama)، ويتم تقييم كل منها على مقياس من 1 إلى 5 باستخدام طريقة LLM-as-Jury، والتي تم تعديلها بناءً على تقييمات الأطباء الخبراء. تشير النتائج إلى أن نموذج Claude Opus 4.6 حقق أعلى درجة إجمالية بمعدل 3.61، يليه Claude Sonnet 4.6 بمعدل 3.30 وGPT-5.2 بمعدل 3.29. ومع ذلك، لم يحقق أي نموذج سيطرة كاملة على جميع الأبعاد، حيث انخفض مستوى الأمان في الحالات الخبيثة والنادرة.

تكمن أهمية هذا المعيار في أنه يكشف عن العلاقة الوثيقة بين الدقة في الوصف السريري وضمان توجيه آمن للمرضى، مما يبرز ضرورة وجود أطر تقييم متعددة الأبعاد في الذكاء الاصطناعي الطبي. عبر هذه النتائج، يتم التأكيد على أن استخدام المدخلات المرئية والسياق من السجلات الطبية الإلكترونية (Electronic Health Records) له تأثير قوي على توجيه الأمان، مما يضيف مزيدًا من الأهمية لدراسة تكامل هذه العناصر.