عندما نتحدث عن الذكاء الاصطناعي في مجال الطب، فإن النماذج اللغوية الضخمة (MLLMs) تُعتبر أحد أهم العوامل الكامنة وراء تحقيق إنجازات مذهلة في التشخيص الطبي. ومع ذلك، تكشف الأبحاث الحديثة عن مشكلة خطيرة تعاني منها هذه النماذج، وهي “العمى الهندسي”. يشير ذلك إلى عدم قدرة هذه النماذج على ربط المخرجات بالقيود الهندسية الموضوعية، مما يؤدي إلى نتائج خاطئة رغم كونها تبدو منطقية.

للتصدي لهذه المشكلة، يأتي الإطار الجديد “Med-Scout”، الذي يستخدم التعلم التعزيزي (Reinforcement Learning) لاستغلال المنطق الهندسي الكامن في الصور الطبية غير المعلّمة. بدلاً من الاعتماد على تكاليف التعيين الباهظة للخبراء، يستند Med-Scout إلى ثلاث مهام استراتيجية تتيح استنتاج إشارات إشراف قابلة للتحقق:

1. **تحديد المقياس الهرمي** (Hierarchical Scale Localization): لتحسين تقديرات المواقع في الصور الطبية.
2. **إعادة بناء الألغاز الطوبولوجية** (Topological Jigsaw Reconstruction): لتعزيز الفهم الهيكلي للصور.
3. **كشف التناقضات الشاذة** (Anomaly Consistency Detection): للكشف عن الأخطاء والعيوب في البيانات.

لتقييم فعالية Med-Scout، تم تقديم Med-Scout-Bench، وهو معيار جديد مصمم خصيصًا لتقييم الإدراك الهندسي. وكشفت التقييمات الشاملة أن Med-Scout يقلل من العمي الهندسي بنسبة تزيد عن 40% مقارنةً بالنماذج اللغوية الضخمة المملوكة والمفتوحة المتاحة في السوق، مما يتيح فهمًا أعمق وأدق في مجال الطب الإشعاعي ومهام الأسئلة والأجوبة الطبية.

إن هذا التقدم في مجال الذكاء الاصطناعي يعد بمثابة خطوة رائعة نحو تحسين دقة التع诊 وتقديم خدمة طبية أفضل، مما يفتح أبوابًا جديدة للابتكار في هذا القطاع الحيوي.