في الآونة الأخيرة، حققت نماذج اللغات الضخمة (Large Language Models) تقدمًا ملحوظًا في مجالات متنوعة من الذكاء الاصطناعي، لكن الغالبية العظمى منها لا تزال تعمل على نمط استنتاجي سلبي يعتمد على معلومات كاملة مسبقًا. ومع ذلك، يتطلب الذكاء السريري الحقيقي عملية تحقيق استقصائية مستمرة تتطلب جمع الأدلة بشكل استراتيجي.

من هنا، تمثل هذه الأبحاث تحولًا جذريًا من خلال تنظيم عملية التشخيص الطبي كمهمة استقصائية تعتمد على الأدلة (Iterative Evidence-Seeking Task).

يتم الاستفادة من التعلم المعزز مع المكافآت القابلة للتحقق (Reinforcement Learning with Verifiable Rewards) لإثطار التفكير الداخلي ضمن بيئة مغلقة. يتم توجيه هذا النهج بواسطة مجموعة مبتكرة من المكافآت التي تفرض الدقة في التشخيص والاتساق في الفحص.

ولتمكين تحقيق ذلك، تم تقديم محاكي امتحانات معزز باسترجاع المعلومات (Retrieval-Augmented Generation-based Examination Simulator - RAGES)؛ وهو مرجع سريري عالي الجودة يقدم أدلة متابعة مبنية على المعرفة بشكل واقعي.

تشير النتائج التجريبية عبر مجموعات بيانات متنوعة إلى أن إطار العمل لدينا يمكّن نماذج اللغات الضخمة من الانتقال من استجابة سلبية إلى مساعدين مستقلين. والأهم من ذلك، أن نموذجنا يظهر أداءً مشابهًا لأداء النماذج الأكبر والأكثر تعقيدًا، بينما يثبت RAGES تفوقه على النماذج الأساسية في إنتاج تغذية راجعة سريرية بيولوجيًا متسقة.