ثورة في تقارير الأشعة: كيفية توحيد تقييم التقارير الطويلة باستخدام نماذج اللغات الضخمة

تُعَد المعلومات الدورية في تقارير الأشعة من الجوانب الأساسية لتتبع تطور الأمراض ومساعدة الأطباء في اتخاذ القرارات السريرية. ومع ذلك، كان التحقق من كفاءة الطرق الآلية المستخدمة في توليد هذه التقارير يمثل تحديًا كبيرًا، خاصةً بسبب نقص الأدوات المناسبة لتوسيم التغيرات الزمنية في تلك النصوص. هنا تبرز أهمية نماذج اللغات الضخمة (Large Language Models - LLMs) كبديل واعد، حيث تتمتع بالقدرة على التقاط الأنماط اللغوية الدقيقة والتشابهات الدلالية دون الحاجة إلى تدخل يدوي مكثف.

في دراستنا الأخيرة، اقترحنا خط أنابيب يعتمد على LLMs لتطبيق التوسيم التلقائي للمعلومات الطويلة الأمد في تقارير الأشعة. حيث يقوم هذا الخط بإيجاد الجمل التي تحتوي على المعلومات ذات الصلة، ثم يستخرج تقدم الأمراض. قمنا بتقييم ومقارنة خمسة من نماذج اللغات الضخمة الرائجة باستخدام 500 تقرير موثوق به تم وسمه يدويًا.

واستنادًا إلى كفاءة الأداء، تم اختيار نموذج Qwen2.5-32B واعتُمِد لتوسيم 95,169 تقريرًا من مجموعة بيانات MIMIC-CXR. أتاح لنا هذا النموذج إنشاء معيار موحد لتقييم نماذج إنشاء التقارير. باستخدام هذا المعيار الجديد، قمنا بتقييم سبعة من نماذج إنشاء التقارير المتطورة، حيث أظهر أسلوبنا المعتمد على LLM تفوقًا كبيرًا، محققًا زيادة بمعدل 11.3% و5.3% في معدل F1 لتشخيص المعلومات الطويلة الأمد وتتبع الأمراض على التوالي.

للاطلاع على الشيفرة المصدرية، يمكن زيارتكم للرابط: رابط الشيفرة المصدرية.