لا يزال سرطان الرئة يعد من الأسباب الرئيسية للوفاة الناتجة عن السرطانات، مما يعزز الحاجة لتطوير أدوات متقدمة للكشف الآلي تهدف إلى تخفيف العبء عن أطباء الأشعة. في قلب هذه الجهود، نجد نموذج Sybil، الذي يستخدم تقنيات التعلم العميق (Deep Learning) ليتنبأ بدقة بمخاطر الإصابة بسرطان الرئة من خلال تحليل صور الأشعة المقطعية (CT) فقط.

رغم أن هذا النموذج قد حصل على تأكيدات سريرية واسعة، إلا أن التقييمات الحالية تعتمد فقط على مؤشرات رصدية، مما يتجاهل الآلية الرئيسية التي يعتمد عليها النموذج في اتخاذ القرارات. وهذا يستدعي ضرورة التحول نحو التحقق السببي لضمان اتخاذ قرارات موثوقة قبل تطبيق النموذج سريرياً.

في هذا السياق، نعرض إطار عمل S(H)NAP، الذي يُعتبر نموذجاً مستقلاً لمراجعة الأداء، يقوم بإنشاء مراجع تداخلية مُعترف بها من قبل أطباء الأشعة الخبراء. باستخدام نمذجة جسريّة ثلاثية الأبعاد (3D Diffusion Bridge Modeling) لتعديل الخصائص التشريحية بشكل منهجي، يمكن لهذا النهج عزْل المساهمات السببية المحددة في مستوى المخاطر.

وكمثال على تقييم النموذج Sybil، أظهرنا أن النموذج غالباً ما يظهر سلوكاً يشبه خبراء الأشعة في تمييز العقد الرئوية الخبيثة عن الحميدة. ومع ذلك، فقد تعرض أيضاً لنقاط ضعف حرجة، مثل حساسية خطيرة تجاه الأشكال غير المبررة إكلينيكياً وانحياز شعاعي مميز. هذه النتائج تبرز الحاجة لتطوير أطر عمل قادرة على تقديم تقييمات دقيقة وشاملة لنماذج الذكاء الاصطناعي قبل استخدامها في مجالات طبية حيوية.