أصبح الذكاء الاصطناعي في مجال الأشعة أكثر قوة، بفضل الإبداع والابتكارات الحديثة التي تجعل منه أداة أساسية في القرارات الطبية. وقد أظهرت نماذج اللغة الضخمة (Large Language Models) إمكانيات هائلة، ولكن غالبًا ما كانت تحد من استخدامها بسبب متطلبات الحوسبة العالية.

في هذا السياق، ظهرت نتائج مثيرة من دراسة حديثة تتناول نموذج "RadLite"، الذي يعتمد على تحسين للنماذج الصغيرة (Small Language Models) بقدرة 3-4 مليارات بارامتر باستخدام تقنية LoRA (Low-Rank Adaptation). هذه التقنية تسمح بتحسين كبير في الأداء لمهام متعددة في مجال الأشعة وبدون الحاجة لوحدات معالجة رسومية (GPU)، مما يتيح نشر الذكاء الاصطناعي على أجهزة المنزل العادية.

قام الباحثون بتدريب نموذجين هما Qwen2.5-3B-Instruct وQwen3-4B على مجموعة ضخمة من 162 ألف عينة تغطي تسع مهام في الأشعة، بما في ذلك تصنيف RADS على عشرة أنظمة، وتوليد الانطباعات، والمقارنة الزمنية، وفهم اللغة الطبيعية، والتعرف على الكيانات، وكشف الشذوذ، ومراحل N/M، والأسئلة والأجوبة في مجال الأشعة. تم تقييم كلا النموذجين بناءً على ما يصل إلى 500 عينة اختبار محفوظة لكل مهمة، مما أدى إلى نتائج توضح الفوائد التالية:

1. تحسين الأداء بشكل كبير عند استخدام تقنية LoRA بالمقارنة مع الأساسيات الخالية من التحيز، مع تحسين دقة RADS بنسبة 53% وفهم اللغة الطبيعية بنسبة 60% وإتمام المراحل بنسبة 89%.
2. يتفوق Qwen2.5 في المهام التي تتطلب توليدًا هيكليًا، بينما يهيمن Qwen3 على المهام الاستخرابية.
3. تمكّنت مجموعة حدسية تجمع بين النموذجين من تحقيق أفضل أداء في جميع المهام.
4. تحفيز عدد محدود من التعليمات باستخدام النماذج المحسّنة قد يؤثر سلبًا على الأداء، مما يدل على أن تكيف LoRA أكثر فعالية من التعلم في السياقات المتخصصة.
5. يمكن تقليل حجم النماذج إلى تنسيق GGUF (~1.8-2.4 غيغابايت) لتمكين نشرها على وحدات المعالجة المركزية بمعدل 4-8 رموز في الثانية.

تُظهر أبحاث RadLite أننا استطعنا توفير مساعدي ذكاء اصطناعي في مجال الأشعة يكونون عمليين ومتاحين بالكامل على الأجهزة المنزلية، مما يُحدث ثورة في كيفية استخدام الذكاء الاصطناعي في المجال الطبي دون الحاجة إلى الأجهزة المكلفة. يجب على المهتمين بالتطوير في هذا المجال زيارة [https://github.com/RadioX-Labs/RadLite] للحصول على التعليمات البرمجية والنماذج المتاحة.