PathChat 2: نموذج لغوي طبي جديد يعزز المحادثات حول الورم ورؤى التشخيص لعلماء الأمراض

تم تقديم أربعة نماذج متقدمة من نماذج اللغة الكبيرة (LLMs) بصورة تُظهر ما يبدو أنه صخرة بلون الموف، لكنها في الواقع ورم قد يكون خطيرًا في العين. وكان يتعين على النماذج تحديد موقعه وأصله وشدته المحتملة.

حددت LLaVA-Med الخطأ النمو غير الحميد على أنه في بطانة الخد الداخلية، بينما اقترحت LLaVA أنه موجود في الثدي. قدم GPT-4V ردًا غامضًا ولم يتمكن من تحديد موقع الورم. على النقيض من ذلك، حدد PathChat، وهو نموذج متخصص في علم الأمراض، الورم بدقة على أنه ناتج من العين، مُشيرًا إلى قدرته على التسبب في فقدان الرؤية.

تم تطوير PathChat في مختبر محمود بمستشفى بريغهام والنساء، وهو يمثل تقدمًا كبيرًا في علم الأمراض الحسابي، حيث يعمل كاستشاري للأطباء الشرعيين لمساعدتهم في تحديد وتقييم وتشخيص الأورام والحالات الخطيرة.

تجاوز PathChat النماذج الرائدة في أسئلة التشخيص متعددة الخيارات، وقدّم ردودًا ذات صلة سريرية على الاستفسارات المفتوحة. وهو متاح الآن من خلال ترخيص حصري مع شركة Modella AI الموجودة في بوسطن.

"PathChat 2 هو نموذج متعدد الأنماط يفهم صور علم الأمراض والنصوص السريرية ذات الصلة، مما يمكّنه من إجراء محادثات شاملة مع أطباء الأمراض" على حد قول ريتشارد تشين، المؤسس والمدير التقني لشركة Modella.

بالمقارنة، يتفوق PathChat على ChatGPT-4 وLLaVA وLLaVA-Med. قام الباحثون بتكييف مشفر رؤية لعلم الأمراض، ودمجه مع LLM مدرب مسبقًا، وتعديله باستخدام محفزات اللغة المرئية وجلسات السؤال والجواب. تغطي الأسئلة 54 تشخيصًا عبر 11 ممارسة وأعضاء رئيسية في علم الأمراض.

استخدمت كل تقييم استراتيجيتين: صورة مرفقة بعشر أسئلة متعددة الخيارات، وصورة مرفقة بسياق سريري إضافي، بما في ذلك جنس المريض، وعمره، وتاريخه السريري، ونتائج الأشعة.

عند تحليل الصور من الأشعة السينية، والخزعات، واختبارات طبية أخرى، حقق PathChat دقة بنسبة 78% مع بيانات الصورة فقط، و89.5% مع السياق الإضافي. تفوق النموذج في تلخيص وتصنيف وتسمية المحتوى بينما أجاب بدقة على الأسئلة التي تتطلب معرفة في علم الأمراض والطب الحيوي.

تجاوز PathChat ChatGPT-4V وLLaVA مفتوحة المصدر وLLaVA-Med في كلا الإعدادين التقييمي. مع التحفيزات التي تحتوي على الصور فقط، سجل أداء أفضل بأكثر من 52% من LLaVA و63% من LLaVA-Med. عند تقديم السياق السريري، حقق أداءً أفضل بنسبة 39% مقارنة بـLLaVA و61% مقارنة بـLLaVA-Med. كما أظهر PathChat تحسينًا بنسبة 53% أكثر من GPT-4 مع التحفيزات التي تحتوي على الصور فقط، و27% مع التحفيزات ذات السياق السريري.

أشار فيصل محمود، أستاذ مساعد في علم الأمراض بمدرسة هارفارد الطبية، إلى أن نماذج الذكاء الاصطناعي السابقة في علم الأمراض كانت عادة خاصة بالأمراض أو مركّزة على مهام فردية، مما يفتقر إلى القدرة على التكيف للاستخدام التفاعلي من قبل الأطباء الشرعيين.

"يمثل PathChat خطوة نحو الذكاء العام في علم الأمراض، إذ يعمل كرفيق ذكاء اصطناعي يمكنه مساعدة الباحثين والأطباء الشرعيين في مواقف متنوعة"، علق محمود.

على سبيل المثال، في سيناريو متعدد الخيارات يحتوي على صورة فقط، تمكن PathChat من تحديد سرطان الغدة الرئوية من صورة بالأشعة السينية لصدر رجل يبلغ من العمر 63 عامًا يعاني من سعال مزمن وفقدان وزن غير مفسر. في حالة أخرى مع سياق سريري، حدد بشكل صحيح ورم الكبد ك metastasis، مقدمًا رؤى حول الروابط المحتملة مع الميلانوما.

تُشير قدرة النموذج على التعامل مع المهام اللاحقة، مثل التشخيص التفريقي وتقييم الأورام، على الرغم من عدم تدريبه بشكل محدد على أمثلة موسومة لهذه المهام، إلى تحول كبير في تطوير الذكاء الاصطناعي في علم الأمراض. تقليديًا، كانت تدريب النماذج لهذه المهام يتطلب عددًا هائلًا من الأمثلة الموسومة.

يمكن أن يسهم PathChat في تشخيصات يُساعد فيها الذكاء الاصطناعي بمشاركة البشر، حيث يتم تحسين التقييمات الأولية بمزيد من السياق. قد تكون هذه الطريقة ذات قيمة كبيرة في الحالات المعقدة، مثل أنواع السرطان ذات الأصل غير المعروف، أو في البيئات منخفضة الموارد مع وصول محدود إلى أطباء الأمراض الخبراء.

في الأبحاث، يمكن أن يلخص PathChat المميزات من مجموعات بيانات الصور الكبيرة ويقوم بتلقائيًا بتقييم وتفسير العلامات المورفولوجية الحاسمة.

"تقف التطبيقات المحتملة لرفيق ذكاء اصطناعي تفاعلي ومتعدد الأنماط في علم الأمراض بشكل واسع"، أشار الباحثون. "تمتلك LLMs والذكاء الاصطناعي التوليدي القدرة على إحداث ثورة في علم الأمراض الحسابي مع التركيز على اللغة الطبيعية والتفاعل البشري".

بينما يظهر PathChat وعودًا، يعترف الباحثون بالتحديات مثل أخطاء الهلوسة، التي يمكن التخفيف منها من خلال التعلم المعزز بالتغذية الراجعة البشرية. يعتبر التدريب المستمر باستخدام المعرفة الطبية والمصطلحات الحالية أمرًا أساسيًا، وقد يساعد التعزيز من خلال توليد المعلومات المعزز بالاسترجاع (RAG) في الحفاظ على تحديث قاعدة بيانات معرفته.

قد تشمل التعزيزات الإضافية دمجًا مع عارضات الشرائح الرقمية والسجلات الصحية الإلكترونية، مما يجعل PathChat أكثر فائدة للأطباء الشرعيين والباحثين. كما أشار محمود إلى أن التكنولوجيا يمكن أن تمتد إلى مجالات التصوير الطبي الأخرى وأنواع البيانات، مثل علم الجينوم وعلم البروتينات.

يخطط فريق البحث لجمع تغذية راجعة واسعة من البشر لمواءمة أداء النموذج مع توقعات المستخدمين وتحسين ردوده. كما سيقومون بربط PathChat مع قواعد البيانات السريرية لتمكينه من استرجاع معلومات المرضى ذات الصلة لتحليل أفضل-informed.

"هدفنا هو التعاون مع الأطباء الشرعيين الخبراء عبر تخصصات مختلفة لتطوير معايير تقييم وتقييم شامل لقدرات PathChat عبر نماذج الأمراض المختلفة وسير العمل"، صرح محمود.

Most people like

Find AI tools in YBX