دراسة عربية: LLMs تحسّن تشخيص الأمراض بنسبة تجاوزت 80٪

دراسة عربية حديثة تكشف: الذكاء الاصطناعي يرفع دقة التشخيص الطبي لأكثر من 80٪

أفادت دراسة علمية جديدة أُجريت في الشرق الأوسط بأن النماذج اللغوية الكبيرة (LLMs)، ومنها DeepSeek-R1، يمكنها دعم الطواقم الطبية بفعالية عالية، عبر توفير تشخيصات دقيقة للأمراض الشائعة والمعقدة، بنسبة نجاح تفوق 80٪ في العديد من الحالات.

كيف أُجريت الدراسة؟

استعان الباحثون بسيناريوهات طبية افتراضية تحاكي حالات مرضية حقيقية، وتم تزويد النماذج اللغوية بأعراض وصفية فقط، مثل:

المريض يعاني من عطش شديد، وتبول مفرط، وخمول مستمر

سيدة في منتصف العمر تشعر بضيق تنفس مفاجئ وألم في الصدر عند المجهود

مريض يشتكي من تقلبات مزاجية حادة وقلة نوم لفترات طويلة
ثم طُلب من النماذج تحديد التشخيص الطبي المحتمل ضمن عشرة خيارات.  النتائج عن تفوق نموذج DeepSeek-R1 في التشخيص، حيث حقق دقة بلغت 82%، متجاوزًا أداء O3 Mini بفارق 7%. 

أمثلة على دقة النموذج

1. تشخيص السكري من النوع الثاني:
عندما

زُوّد النموذج بأعراض مثل العطش الزائد وفقدان الوزن والتعب العام، قدم DeepSeek‑R1 تشخيصًا دقيقًا بنسبة 96٪ وأوصى بتحليل السكر التراكمي كمؤشر تأكيدي.
2. الاكتئاب السريري:
حالة لشاب يعاني من قلة النوم، ضعف في التركيز، وشعور مستمر بالحزن، شخصها النموذج بدقة على أنها اكتئاب حاد، مع توصية بإجراء تقييم نفسي شامل.
3. الربو الشعبي:
في حالة لطفل يعاني من سعال ليلي وصفير في الصدر بعد اللعب، قدم النموذج تشخيصًا دقيقًا بالربو وذكر العلاجات المقترحة مثل موسعات الشعب الهوائية.

أداء متفوق في فئات مرضية معينة

 DeepSeek-R1 أظهر كفاءة ملحوظة في تحديد أمراض الجهاز العصبي والأورام والأمراض النفسيه. فمثلاً، تمكّن من التعرف على علامات السرطان الدموي (اللوكيميا) من خلال الأعراض العامة كالتعب المتواصل وكثرة العدوى، وهي من الحالات التي تتطلب عادة تحاليل متقدمة لتشخيصها.

مقارنة مع الأداء البشري

عند مقارنة النتائج مع تشخيصات الأطباء، تبيّن أن النماذج اللغوية قدمت نتائج مقاربة

بنسبة كبيرة، خصوصًا في الحالات التي تعتمد على أعراض واضحة وموثقة. ومع ذلك، أكد الباحثون أن الذكاء الاصطناعي لا يجب أن يحل محل الطبيب، بل يُستخدم كأداة داعمة.

أهم المزايا التي توفرها LLMs في الرعاية الصحية

السرعة: تقديم تشخيص أولي خلال ثوانٍ

الدقة: الوصول لنسب تتجاوز 80٪ في العديد من الحالات

الدعم في الأماكن النائية: يمكن استخدامها في المناطق التي تفتقر إلى أطباء متخصصين

التحديث المستمر: قابلة للتدريب على بيانات طبية حديثة ومتطورة
تحديات تطبيق الذكاء الاصطناعي في الطب

رغم المزايا الكبيرة، لا تزال هناك تحديات قائمة، أبرزها:

الخصوصية: يجب التأكد من حماية بيانات المرضى

التحيز: تعتمد النماذج على نوعية البيانات المستخدمة، وقد تنحاز لنتائج معينة

الاعتمادية القانونية: لا يمكن الاعتماد على نتائج الذكاء الاصطناعي وحدها في الإجراءات الطبية القانونية أو الجراحية

الحاجة إلى الشرح: يصعب على الأطباء في بعض الأحيان فهم منطق اتخاذ القرار لدى النموذج، وهو ما يُعرف بـ

الصندوق الأسود
التوصيات المستقبلية للبحث والتطوير

توصي الدراسة بضرورة التعاون بين فرق الذكاء الاصطناعي والمجتمع الطبي لتطوير أدوات يمكن الوثوق بها، مع العمل على:

تطوير نماذج قابلة للتفسير

إدراج الذكاء الاصطناعي في مناهج كليات الطب

وضع تشريعات تحكم الاستخدام السريري لهذه النماذج

إدماجها ضمن أنظمة السجلات الطبية الرقمية
نظرة مستقبلية: التكامل بين الذكاء الاصطناعي والطبيب البشري

من المرجح أن يشهد العقد القادم تحولًا جذريًا في طريقة التشخيص الطبي، حيث سيُعتمد بشكل متزايد على الذكاء الاصطناعي كأداة مساعدة للأطباء. هذا لا يعني استبدال العنصر البشري، بل تسهيل الوصول إلى تشخيصات دقيقة خاصة في الحالات المعقدة أو في مناطق تفتقر إلى الخدمات الصحية.

خاتمة

النتائج المشجعة التي أظهرتها النماذج اللغوية الكبيرة في التشخيص الطبي تشير إلى أنها ستلعب دورًا محوريًا في مستقبل الرعاية الصحية. ومع استمرار البحث والتطوير، يمكن لهذه النماذج أن تسهم في تقليل الأخطاء الطبية، وتسريع

العلاج، وتحسين تجربة المريض، بشرط وجود رقابة أخلاقية وعلمية صارمة تضمن سلامة الاستخدام.