الكشف الآلي عن النقائل السرطانية من تقارير الأشعة: توليد موجه للبيانات الاصطناعية بالنماذج اللغوية الكبيرة

يمثل التعرف الآلي على مواقع النقائل السرطانية لدى مرضى السرطان انطلاقًا من السجلات الصحية الإلكترونية مهمة صعبة لكنها بالغة الأهمية، لما يترتب عليها من آثار مباشرة في التشخيص والعلاج وتتبع تطور المرض، غير أن إنجاز هذه المهمة آليًا يصطدم بندرة البيانات الذهبية المصنفة بخبرة بشرية، إذ يتطلب تصنيف تقارير الأشعة النصية الحرة جهدًا متخصصًا مكلفًا، وهو ما يحد من حجم بيانات التدريب المتاحة لبناء نماذج دقيقة قابلة للتعميم عبر المؤسسات الصحية المختلفة

وقد فتحت التطورات الحديثة في معالجة اللغة الطبيعية آفاقًا جديدة لتجاوز هذه العقبة، ولا سيما قدرة النماذج اللغوية الكبيرة الحديثة على اتباع التعليمات، والتدريب المسبق الواسع الذي تخضع له هذه النماذج، إذ صار بالإمكان توظيفها في توليد بيانات تدريب اصطناعية توسع البيانات المصنفة المحدودة، ومن ثم تكييف نماذج لغوية أصغر حجمًا مع المهمة المطلوبة بكفاءة أعلى وكلفة حسابية أقل، وبما يلائم بيئات سريرية تختلف في صيغ تقاريرها وأعراف توثيقها

أولًا: أهداف الدراسة ومنهجيتها

هدفت الدراسة إلى إظهار إمكان أتمتة الكشف عن النقائل من نصوص تقارير الأشعة اعتمادًا على كمية محدودة من البيانات المصنفة بمعايير ذهبية، واعتمدت منهجية الدراسة على توجيه النموذج اللغوي الكبير مفتوح المصدر لاما 3 المهيأ لاتباع التعليمات نحو توليد بيانات تدريب اصطناعية توسع البيانات المصنفة المتاحة، ثم تكييف النموذج اللغوي الصغير المدرب مسبقًا بيرت مع مهمة الكشف، كما اختبرت الدراسة ثلاث تقنيات موجهة لزيادة البيانات توسع عينات التدريب الأصلية بصورة انتقائية، وقارنت أداءها بأسلوب زيادة البيانات التقليدي، وقارنت كذلك دقة تحديد النقائل بين النماذج العاملة على تقارير موحدة المعايير مؤسسيًا وتلك العاملة على تقارير غير مهيكلة تصعب استخلاص المعلومات ذات الصلة منها، مع اختبار أثر إدراج التاريخ المرضي للمريض ضمن بنية نموذج مخصصة

ثانيًا: أبرز النتائج

1، أدت زيادة البيانات إلى تحسين متوسط درجة إف 1 بمقدار 2.3 نقطة للرئة و3.5 نقطة للكبد و3.9 نقطة للغدد الكظرية، وهي الأعضاء التي توافرت لها بيانات مشروحة من الخبراء

2، حققت تقنيات الزيادة الموجهة للبيانات أداءً مقارنًا لزيادة البيانات التقليدية أو متفوقًا عليها في معظم الحالات، مع كفاءة حسابية أعلى بصورة جوهرية

3، أظهرت النتائج أن نموذج لاما 3، رغم عدم تهيئته خصيصًا لهذه المهمة أو للبيانات السريرية عمومًا، قادر على توليد بيانات اصطناعية عالية الجودة عبر إعادة الصياغة في السياق السريري

4، أدى إدراج التاريخ المرضي للمريض مع بنية نموذج مخصصة إلى تضييق الفجوة بين إعدادي التقارير الموحدة وغير المهيكلة من 7.3 نقطة إلى 4.5 نقطة في درجة إف 1 عند الضبط بتقنية لورا

ثالثًا: دلالات الدراسة وتطبيقاتها

تشير هذه النتائج إلى حل واسع التطبيق لا يتطلب تخصيص النموذج لكل مؤسسة صحية على حدة، وهو ما يجعل استخراج أنماط تطور السرطان مكانًا وزمانًا ممكنًا على نطاق واسع وبكلفة منخفضة، وتنعكس أهمية ذلك على الباحثين في المعلوماتية الصحية ومعالجة اللغة الطبيعية السريرية، إذ تقدم الدراسة وصفة عملية للتعامل مع ندرة البيانات المصنفة التي تعاني منها التطبيقات الطبية للنصوص، ومنها النصوص الطبية العربية التي تفتقر إلى مدونات مشروحة كبيرة، ويستطيع طلاب الدراسات العليا البناء على هذا النهج في توليد بيانات اصطناعية مساندة لنماذج تصنيف التقارير الطبية، مع الانتباه إلى ضرورة التحقق السريري من جودة البيانات المولدة وعدم تسرب أخطائها إلى النماذج المدربة عليها

ويستدعي هذا التوجه في الوقت ذاته انتباهًا منهجيًا وأخلاقيًا لطبيعة البيانات الاصطناعية ذاتها، فجودة النماذج المدربة عليها رهينة بتمثيلها الأمين للتنوع السريري الحقيقي، وبخلوها من تحيزات قد تنعكس في قرارات تصنيفية لاحقة، وهو ما يجعل توثيق مصادر البيانات وطرق توليدها جزءًا لا يتجزأ من مصداقية أي دراسة توظف التوليد الاصطناعي في المجال الطبي

وخلاصة القول إن التوليد الموجه للبيانات الاصطناعية بالنماذج اللغوية الكبيرة يمثل مسارًا واعدًا لأتمتة الكشف عن النقائل السرطانية من تقارير الأشعة النصية، بما يوازن بين الدقة والكفاءة الحسابية وقابلية التطبيق المؤسسي الواسع، ويفتح الباب أمام دراسات لاحقة تختبر النهج نفسه في لغات وسياقات سريرية متنوعة