تعتبر التحديات التي تواجه نماذج التعلم العميق متعددة الأنماط في مجال علم الأورام نتيجة التصاميم التقليدية التي ترتبط بقوة بين مراحل استيعاب البيانات والتوجيهات السريرية وتنفيذ الذكاء الاصطناعي. ولحل هذه المشكلة، تم تقديم مساعد السرطان العظيم (LCA)، وهو إطار عمل يتمتع بالقدرة على العمل بشكل مستقل عن النماذج، مصمم لدعم القرارات السريرية بشكل قابل للتوسع.

تمت صياغة LCA كهيكل رياضي معقد يتألف من سبعة مكونات، والذي يعتمد على مبدأ impermeability الخوارزمي، ليضمن أن منطق التنسيق يبقى مستقلاً تماماً عن نماذج الذكاء الاصطناعي المغلقة. يستخدم النظام نظرية المدخلات، مستفيداً من التعلم العميق الهندسي (Geometric Deep Learning)، لتوحيد بيانات المرضى متعددة الأنماط على محاور هيكلية وطبية مختلفة.

يعتمد النظام على وحدة تبديل السرطان (Cancer Switching Module) ليدعم تدفق البيانات بشكل ديناميكي، ويعزل عملية تنفيذ الذكاء الاصطناعي عن البنى التحتية لتكنولوجيا المعلومات في المستشفيات، عبر إنتاج حزمة وسيطة موحدة (Standardized Intermediate Payload - SIP).

أكدت النتائج التجريبية، بعد إجراء اختبار إثبات المفهوم (Proof of Concept - PoC)، أن LCA نجح في تنفيذ منطق التنسيق عبر أربعة سيناريوهات تقنية، موضحاً قابلية لم يكن لها تكلفة كبيرة في مجال التنسيق. كما أظهر نجاحاً ملحوظاً في تحقيق مستوى 100% في استرجاع بيانات الطلبات الإضافية (Supplementary Data Requests - SDR) حتى عند تعرض البيانات لمشاكل.

تقدم LCA بنية أساسية مرنة وقابلة للتكيف من خلال فصل استيعاب البيانات متعددة الأنماط عن استخراج الخصائص. بينما يُعتبر SIP بمثابة حد معماري واضح، يمهد الطريق لتحقيق التوافق المستقبلي مع سجلات المرضى الإلكترونية (Electronic Medical Record - EMR).