في عالم الذكاء الاصطناعي الطبي، تعتبر جودة التفكير في اتخاذ القرارات من العوامل الأساسية التي تؤثر على النتائج الصحية للمرضى. لقد طُور نظام MedTraj لتقديم إطار عمل مبتكر يركز على مسارات التفكير القريني بدلاً من التركيز فقط على جودة الإجابات النهائية. في العيادات، فإن الوصول إلى إجابة صحيحة عن طريق أدلة مزيفة أو منطق غير متناسق يُعتبر بالأهمية ذاتها كأن تكون الإجابة غير صحيحة.

نظام MedTraj يقوم بإنشاء سلاسل تفكير متعددة الخطوات بناءً على مصادر التفكير الطبي، حيث يتم تحليل كل مسار إلى ملاحظات سريرية، أدلة، خطوات تفكير مرقمة، واستنتاج نهائي. يتم تقييم كل مسار عبر خمسة أبعاد جودة: التناسق، دعم الأدلة، الهلوسة، الاكتمال، وقابلية التتبع.

عملية إدخال الأخطاء المتحكم بها تُستخدم لوضع أخطاء مستهدفة في المسارات الصحيحة من أجل إنشاء روابط سببية بين نوع معين من الفشل في التفكير وتدهور قابلية القياس للجودة. هذه الديناميكية تساعد في تحديد خطوات التفكير التي تعزز أو تضر بجودة المسار، من خلال تصفية مستوى الخطوات بناءً على مساهمتها الهامشية.

علاوة على ذلك، يُستخدم التعلم المرتكز على الجودة لتغذية تقييمات المسارات مرة أخرى في النموذج أثناء عملية الاستنتاج، مما يسمح له بالتعلم من كلا عرضي التفكير القوي والضعيف. توصلت التجارب عبر منصات CareQA وPubMedQA وCECMED إلى أن سياق المسار يُحسن الاتساق في التفكير بشكل مستمر، مع مكاسب تتراوح بين +0.029 إلى +0.041 مقارنة بالأساس الخالي من المعلومات (Zero-shot baseline).

مع نظام CECMed، كان سياق الجودة الموزون يكاد يضاعف الدقة مقارنة بنفس الأساس، مع تقليص معدل الهلوسة بنسبة تصل إلى 87%. التحليل ذو المساهمة الهامشية برهن أيضًا على أن قلة من خطوات التفكير تحمل معظم إشارة الجودة، وأن تمديد السلاسل لأكثر من أربع خطوات يُظهر عوائد متناقصة.

إن هذا الابتكار لا يعد مجرد خطوة تقنية، بل يمثل تحولا جذريا في كيفية تقييم الذكاء الاصطناعي الطبي، مما يُعزز الثقة به ويساهم في تقديم رعاية طبية أفضل. ما رأيكم في هذا التطور الثوري؟ شاركونا في التعليقات!