في عالم الذكاء الاصطناعي (Artificial Intelligence)، يُعتبر الحوار مع البيانات الطبية من التحديات الكبيرة، حيث يُعد نموذج الإجابة على الأسئلة البصرية في الطب (Med-VQA) وسيلة واعدة لدعم اتخاذ القرار السريري. لكن، بما أن البيانات المعلّقة غالبًا ما تكون محدودة ومتطلبات النماذج الكبيرة تتطلب طاقة حسابية مرتفعة، ظهر الابتكار الجديد MedFG-VQA.

يستفيد إطار MedFG-VQA من نظام ذاكرة مبتكر يمكّنه من تعزيز الميزات ذات التردد المنخفض باستخدام مفهوم الاسترجاع من بنك ذاكرة قابل للتعلم مبني على تحليل تحويل الدكتين (DCT). كما يوفر توجيهًا متطورًا عبر مكونات متقدمة تشمل دمج التردد والذاكرة (Frequency-Memory Fusion - FMF) والتفاعل المدرك للرسوم البيانية (Graph-Aware Cross-Attention - GACA).

من خلال تجسيد نسق جديد من البيانات، تم إنشاء مجموعة بيانات صناعية ضخمة تحت اسم SynMed-VQA، تتجاوز مليوني زوج من الأسئلة والإجابات عبر تسع تقنيات تصويرية وعشرة أعضاء رئيسية، تم إنشاؤها باستخدام نظام الذكاء الاصطناعي GPT-4o.

تُظهر التجارب على SynMed-VQA وثلاثة معايير معروفة في مجال VQA الطبي أن MedFG-VQA يظهر أداءً تنافسيًا أو حتى متفوقًا مقارنة بالنماذج الأكبر حجمًا، بينما يحتفظ بتكاليف حسابية أقل، مما يعكس كفاءته وإمكاناته الكبيرة للنشر في المجال السريري.