تعد السجلات الطبية الإلكترونية (EMRs) في مجال الأعصاب، من أكثر البيانات تعقيدًا وتنوعًا، إذ تحتوي على معلومات غير مترابطة وغالبًا ما تكون مشوشة. هذه العوامل تشكل تحديات كبيرة أمام نماذج اللغات الضخمة (Large Language Models) في تقديم تشخيصات دقيقة. في هذا السياق، تظهر مشاكل أنظمة التشخيص الأحادية حيث تكون التنبؤات عرضة للأخطاء التراكمية، مما يؤدي إلى استنتاجات مضللة.

على الرغم من أن بعض الأطر متعددة الوكلاء قد حاولت معالجة هذه المشكلات من خلال التعاون بين الأنظمة، إلا أن التفاعلات بينها غالبًا ما تكون سطحية وغير منظمة، مما لا يعكس الطريقة الدقيقة المدعومة بالأدلة التي يستخدمها الخبراء في المجال الطبي. وبالإضافة إلى ذلك، فإن الأساليب الحالية تتجاهل بشكل كبير التبعيات المنطقية المعقدة بين الأمراض، مثل الحصرية المتبادلة، والتوافق المرضي، والارتباك التشخيصي. هذه العوائق تمنع هذه الأنظمة من استبعاد الافتراضات غير القابلة للتطبيق سريريًا، حتى عندما تكون الأدلة الكافية متاحة.

لمواجهة هذه التحديات، تم اقتراح إطار RE-MCDF، الذي يهدف إلى تعزيز دقة التشخيصات السريرية عبر نماذج لغوية متعددة الخبراء. يعتمد إطار RE-MCDF على هيكل مغلق للدورة حيث يجمع بين ثلاثة مكونات مكملة: خبير أساسي يقوم بتوليد التشخيصات المحتملة والأدلة الداعمة، وخبير مختبر يقوم بتحديد أولويات المؤشرات السريرية المتنوعة بشكل ديناميكي، ومجموعة خبراء تدرك العلاقات متعددة الأبعاد لتطبيق القيود المنطقية بين الأمراض.

قائمة على شبكة المعرفة الطبية (MKG)، يتمكن الخبيران الأول والثاني من إعادة وزن الأدلة المستخرجة من السجلات الطبية بشكل متكيف، في حين تتولى مجموعة الخبراء validation والتصحيح للتشخيصات المرشحة لضمان التناسق المنطقي. تظهر التجارب الواسعة التي أُجريت على مجموعة البيانات المختارة NEEMRs ومجموعة البيانات المحضرة XMEMRs أن RE-MCDF يتفوق باستمرار على النماذج الحالية في السيناريوهات التشخيصية المعقدة.

في الختام، تمثل هذه التقنية تطورًا بارزًا في استخدام الذكاء الاصطناعي لتحسين نتائج التشخيص السريري ودقة التنبؤات الطبية. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.