في عالم علم الأمراض، حيث تتداخل الرؤى المرئية مع المعرفة المعقدة، يصبح من الضروري دمج هذين العنصرين لتحقيق نتائج دقيقة. تُظهر الأبحاث الحديثة أن النماذج اللغوية متعددة الأنماط (Multimodal Large Language Models - MLLMs) على الرغم من قوتها، إلا أنها تعاني من مشاكل في دمج المعرفة الهيكلية اللازمة للتشخيص الدقيق.

هنا تبرز أهمية ابتكار PathMem، الذي يعتمد على مفهوم الذاكرة البشرية في معالجة المعلومات. يُعد PathMem إطارًا ذاكرة مركزيًا يمكّن النماذج من تنظيم المعلومات الهيكلية الطبيبعية في ذاكرة طويلة الأمد (Long-Term Memory - LTM)، وبالتالي تسهيل الانتقال بين الذاكرة طويلة الأمد والذاكرة العاملة (Working Memory - WM).

تمكن PathMem من تحسين الأداء بشكل كبير عبر مجموعة من المعايير، مما أظهر زيادة في دقة تقارير WSI-Bench بنسبة 12.8% وزيادة في الصلابة بنسبة 10.1%. بتطبيق التحسينات الجديدة، سجلت النماذج المفتوحة للتشخيص في PathMem زيادة تصل إلى 9.7% و8.9%، مقارنة بالنماذج السابقة.

تتضمن التحسينات التي يقدمها PathMem قدرات ديناميكية لدمج المعرفة من خلال تنشيط الذاكرة عبر الأنماط المتعددة وإمكانية التحسين السياقي للذاكرة، مما يعزز دقة التقدير والتشخيص بشكل عام. يُعد PathMem خطوة هامة نحو تحقيق تفاعل أفضل بين الذكاء الاصطناعي وعلم الأمراض، مما يفتح آفاقاً جديدة لمستقبل التشخيص الطبي.