في عالم الطب الحديث، تلعب تقارير الأشعة دورًا حاسمًا في تشخيص الأمراض، ولذا لا بد من وجود أدوات فعالة لتصنيفها. لكن ما الحل عندما يكون لدينا نقص في البيانات؟ هنا تبرز تقنية PromptRad، وهي النهج الثوري المُقترح لتصنيف تقارير الأشعة بتعزيز معرفي.

تعتبر عملية تصنيف تقارير الأشعة الآلية واحدة من الميزات الأساسية التي تُسهل التعرف على النتائج السريرية من النصوص غير المنظمة. تقليديًا، كانت المحاولات تعتمد على أنظمة تصنيف قائمة على القواعد، لكن هذه الأنظمة تعاني من صعوبة التعامل مع تنوع الأوصاف في التقارير السريرية. وعندما يتعلق الأمر بتدريب نماذج لغوية مسبقة (Pre-trained Language Models)، يتطلب الأمر كميات ضخمة من البيانات المصنفة التي غالبًا ما تكون غير متاحة في البيئات السريرية.

لذا جاء اقتراح PromptRad، الذي يعيد صياغة التصنيف متعدد الملصقات على أنه نمذجة للغة الماسكة (Masked Language Modeling)، ويستخدم مرادفات من قاموس UMLS Metathesaurus لتغني تمثيلات الفئات. بفضل هذه الطريقة، يمكن تعديل النموذج اللغوي المسبق دون إضافة طبقات تصنيف، مما يقلل بشكل كبير من الحاجة للبيانات المعلّمة مقارنةً بأساليب التحسين التقليدية.

أظهرت التجارب على تقارير الأشعة المقطعية للكبد أن PromptRad يتفوق على الأساليب القائمة على القواميس والأساليب الأخرى للتحسين باستخدام نموذج أصغر بكثير مع 32 مثالاً متميزاً فقط. وعلاوة على ذلك، فقد أثبتت تحليلات إضافية أن PromptRad captures أنماط النفي المعقدة بكفاءة أعلى مقارنة بالطرق الحالية، مما يجعله حلاً prometheus لتصنيف التقارير في سيناريوهات نقص البيانات.

لمعرفة المزيد أو للمساهمة، يمكنكم زيارة رابط الكود. ما رأيكم في هذا التطور؟ شاركونا أفكاركم في التعليقات!