“`html

هل يمكن للذكاء الاصطناعي التوليدي أن يثور الطب؟

يظهر الذكاء الاصطناعي التوليدي تدريجيًا كأداة رئيسية في مجال الصحة. فهو يسمح بتحليل كميات هائلة من البيانات الطبية، ومساعدة اتخاذ القرارات السريرية، وتحسين جودة الرعاية. وقد راجعت تحليلات حديثة 24 دراسة لتقييم استخدامه، وأدائه، وتأثيره البيئي.

تنقسم نماذج الذكاء الاصطناعي التوليدي إلى فئتين رئيسيتين: تلك التي تتعامل مع النصوص فقط، وتلك التي تجمع بين أنواع متعددة من البيانات، مثل الصور والنصوص. يتم تدريب النماذج الأولى، التي غالبًا ما يتم تدريبها مسبقًا على قواعد بيانات عامة كبيرة، بعد ذلك على مهام محددة في الطب. تسمح هذه خطوة التخصيص بتكييف النماذج لاحتياجات دقيقة، مثل تشخيص الأمراض أو تحليل ملفات المرضى، مع تقليل الوقت والموارد اللازمة مقارنة بالتدريب الكامل.

على الرغم من ندرة النماذج متعددة الوسائط، إلا أنها تظهر واعدة بشكل خاص. فهي قادرة على معالجة الصور الطبية والنصوص في نفس الوقت، مما يجعلها مناسبة للمهام المعقدة مثل تفسير المسوحات الطبية مع مراعاة التاريخ الطبي للمريض. على سبيل المثال، حقق بعض النماذج معدلات دقة تصل إلى 99.9٪ للكشف عن أمراض العيون أو تصنيف الصور الطبية.

تظهر الدراسات أن النماذج المخصصة غالبًا ما تتفوق على النماذج المدربة مسبقًا من حيث الدقة، مع نتائج تتراوح بين 70.6٪ و99.9٪. يتم استخدامها لمهام متنوعة: تصنيف الأمراض، والإجابة على أسئلة طبية، وتوليد التقارير. ومع ذلك، لا يزال تدريبها يستهلك الكثير من الموارد. لم تقم إلا قليل من الدراسات بقياس التأثير البيئي لهذه التقنيات، لكن إحدى الدراسات كشفت أن تدريب نموذج واحد قد أنبع 486 كيلوغرامًا من ثاني أكسيد الكربون، مما يسلط الضوء على البصمة الكربونية التي غالبًا ما يتم تجاهلها لهذه الأدوات.

تكمن تحد آخر في جودة البيانات المستخدمة. تعتمد النماذج في كثير من الأحيان على قواعد بيانات عامة أو سجلات طبية إلكترونية، لكن هناك خطر من تلوث البيانات. يمكن أن يؤدي ذلك إلى تشويه النتائج، لأن النموذج قد يتعلم من معلومات موجودة بالفعل في مجموعات الاختبار، مما يبالغ في تقدير أدائه الفعلي.

التطبيقات التفاعلية، مثل المساعدين القادرين على الإجابة عن أسئلة طبية أو تلخيص الملفات الطبية، هي الأكثر انتشارًا. فهي تلعب دورًا رئيسيًا في التفاعل مع المرضى ومهنيي الصحة. ومع ذلك، على الرغم من إمكاناتها، لا تزال النماذج متعددة الوسائط مستخدمة بشكل أقل من اللازم، على الرغم من أنها يمكن أن تستفيد بشكل أفضل من تنوع البيانات الطبية، مثل الصور والنصوص والتسجيلات.

غالبًا ما تعتمد تقييمات الأداء على مراجع معيارية، مثل مجموعات البيانات المصممة لاختبار قدرة النماذج على الإجابة عن أسئلة طبية أو تحليل الصور. تسمح هذه المراجع بمقارنة الأنظمة المختلفة بشكل موضوعي. ومع ذلك، لا توجد بعد مراجع محددة لبعض التخصصات، مثل طب الأسنان، مما يحد من تقييم النماذج في هذه المجالات.

أخيرًا، يثير دمج هذه التقنيات في الممارسة السريرية أسئلة أخلاقية وخصوصية. نظرًا لحساسية البيانات الطبية، يجب تنظيم استخدامها لتجنب أي خطر من تحديد هوية المرضى. على الرغم من أن معظم النماذج المدروسة لا تزال في مرحلة التحقق الداخلي، فإن نشرها على نطاق واسع سيتطلب اختبارات صارمة لضمان موثوقيتها وأمانها.

“`

Bases documentaires

Rapport de référence

DOI : https://doi.org/10.1186/s44398-026-00029-6

Titre : Use of generative artificial intelligence models in healthcare – a scoping review

Revue : BMC Artificial Intelligence

Éditeur : Springer Science and Business Media LLC

Auteurs : Ayesha Nooruddin; Abhishek Lal; Syed Muhammad Faizan Ahmed; Muhammad Huzaifa Ghori; Niha Adnan; Fahad Umer