في السنوات الأخيرة، شهدنا تطورات مذهلة في نماذج اللغة الكبيرة (Large Language Models) التي تُظهر مستوى خبرة عالٍ في المجال الطبي، ومع ذلك، لا يزال استخدامها كعملاء سريريين مستقلين محدودًا. تكمن التحديات في تعارض السياقات بين السجلات الطبية الإلكترونية (Electronic Medical Records) والمعايير الحالية مثل FHIR التي تُعتبر مصممة لمراجعة البشر فقط. ونتيجة لذلك، يبقى الذكاء الاصطناعي يعتمد على استنتاجات احتمالية لإعادة بناء تاريخ المرضى، مما يؤدي إلى ظهور حالات غير دقيقة وتعطيل خاصية التحقق.

لذلك، نقدم لكم MedBeads، بنية بيانات مبتكرة تهدف إلى تعزيز موثوقية الذكاء الاصطناعي في الطب. كل حدث سريري يُمثل كـ "حبة" (Bead) غير قابلة للتغيير، والتي تشكل عُقدًا في رسم بياني غير دوري موجه (Merkle Directed Acyclic Graph) تُشير بشكل تشفيري إلى سابقيها السببيين. هذه الهندسة المعمارية "تكتب مرة وتقرا مرات" تجعل من الممكن كشف التلاعب بطرق رياضية.

قمنا بتنفيذ نموذج أولي يعتمد على محرك Core Engine بلغة Go وبنية وسيطية بلغة Python لدمج نماذج اللغة الكبيرة، بالإضافة إلى واجهة بصرية تعتمد على React. ونجح هذا النموذج بتطبيق سير العمل مستخدمًا بيانات صناعية، حيث تم تحويل البيانات المسطحة إلى رسم بياني مرتبط سببيًا.

تتمثل إحدى الميزات الرئيسية لمد بيز في خوارزمية استرجاع السياق BFS (Breadth-First Search) التي تسمح بالتنقل عبر الرسوم البيانية الفرعية ذات التعقيد O(V+E)، مما يوفر دعم القرار في الوقت الفعلي. يُضمن وجود دليل على التلاعب من خلال التصميم: أي تعديل يكسر السلسلة التشفيرية. وتساعد واجهة العرض في تعزيز فهم الأطباء من خلال الروابط السببية الواضحة.

باختصار، تقدم MedBeads حلًا مبتكرًا لمشكلة التعارض السياقي عن طريق الانتقال من البحث الاحتمالي إلى التنقل الجبري عبر الرسوم البيانية، ومن السجلات القابلة للتغيير إلى السلاسل غير القابلة للتغيير، مما يوفر الأساس لإنشاء "ذكاء اصطناعي موثوق طبيًا". كما تضمن هذه التكنولوجيا أن المعلومات التي يتلقاها الذكاء الاصطناعي دقيقة وموثوقة. نحن نعرض MedBeads كبرنامج مفتوح المصدر لتسريع معايير البيانات الخاصة بالذكاء الاصطناعي المستقل.