ALICE: نموذج أساسي واحد يستوعب ثمانية أنظمة ذكاء اصطناعي لعلم الأمراض في بنية موحّدة

كشف فريق بحثي عن نموذج جديد يحمل اسم "ALICE"، وهو نموذج أساسي (Foundation Model) مخصص لعلم الأمراض الرقمي، لكنه لم يُبنَ من الصفر كالمعتاد. بدلاً من ذلك، استمد معرفته من ثمانية نماذج "معلّمة" منفصلة سبق تدريبها. فبدلاً من الاعتماد على تدريب شبكة واحدة على بيانات الشرائح المجهرية الخام فقط، استخدم الباحثون تقنية أسموها "التقطير التجميعي متعدد المراحل" (Multi-Stage Agglomerative Distillation)، لدمج نماذج تعمل على الرؤية فقط، ونماذج رؤية-لغة (Vision-Language)، ونماذج تحلل الشرائح الكاملة، ضمن وحدات مخصصة داخل بنية واحدة موحدة (Backbone).

حجم البيانات التي تدرّب عليها النموذج مسبقاً (Pretraining) يعكس طموح المشروع؛ فقد تعرّض ALICE لما يقارب 25 مليون صورة نسيجية على مستوى البلاطات (Tile-Level)، إلى جانب أكثر من 155 ألف صورة شريحة كاملة عالية الدقة (Whole-Slide Images)، وهو ما منحه تغطية بصرية واسعة لأنماط الأنسجة قبل أن تبدأ عملية التقطير من النماذج المعلّمة أساساً. الورقة البحثية، التي قُدّمت إلى منصة arXiv في 10 يوليو 2026، صُنّفت تحت فئتي رؤية الحاسوب والتعرف على الأنماط (Computer Vision and Pattern Recognition) والذكاء الاصطناعي (Artificial Intelligence)، في إشارة إلى طبيعتها المزدوجة كنموذج رؤية وكنظام استدلال متعدد الوسائط (Multimodal) في الوقت ذاته.

لماذا يهم الدمج في عالم علم الأمراض الرقمي

تاريخياً، تشتّت الذكاء الاصطناعي في علم الأمراض بين تخصصات ضيقة: نماذج تتفوق في تصنيف مناطق الاهتمام النسيجية، وأخرى تتعامل مع مهام الرؤية واللغة كتوليد الأوصاف أو الإجابة عن أسئلة حول شريحة معينة، وثالثة تعمل على مستوى الشريحة الكاملة اللازمة للتشخيص السريري. تشغيل نماذج منفصلة لكل من هذه المهام مكلف حسابياً ومعقّد تشغيلياً بالنسبة للمستشفيات والمختبرات التي تسعى لنشر الذكاء الاصطناعي على نطاق واسع.

نهج التقطير التجميعي في ALICE يعالج هذا التشتت بشكل مباشر. فمن خلال دمج ثمانية نماذج معلّمة متمايزة داخل وحدات مخصصة ضمن بنية واحدة، يسعى النظام إلى الحفاظ على نقاط القوة التخصصية لكل نموذج معلّم، مع توفير نقطة نشر واحدة فقط. هذا الخيار البنيوي هو ما يميز ALICE عن النماذج الأساسية التقليدية التي تُدرَّب عادة بشكل شامل من طرف إلى طرف (End-to-End) على هدف واحد، بدلاً من تجميعها من عدة نماذج متخصصة موجودة مسبقاً.

نتائج القياس المعياري عبر ما يقارب 100 مهمة

منهجية التقييم التي اعتمدها فريق ALICE واسعة بشكل لافت. فقد اختبر الباحثون النموذج عبر 21 سيناريو مهام، تغطي 96 مهمة فرعية (Downstream Tasks)، بالاستناد إلى 48 مصدر بيانات مختلفاً. هذا النطاق يغطي الفئات الثلاث الكبرى لعمل الذكاء الاصطناعي في علم الأمراض: تحليل مناطق الاهتمام النسيجية، والتقييم متعدد الوسائط بين الرؤية واللغة، والتقييم السريري على مستوى الشريحة الكاملة.

وسجّل ALICE، وفقاً للورقة البحثية، أفضل ترتيب متوسط بين النماذج الأساسية التي خضعت لنفس المهام عبر الفئات الثلاث مجتمعة. هذه النتيجة تشير إلى أن استراتيجية التقطير لم تقتصر على "تسطيح" قدرات النماذج المعلّمة أو أخذ متوسطها، بل أنتجت نظاماً ينافس، بل يتفوق في بعض الحالات، على نماذج صُممت خصيصاً لفئة تقييم واحدة.

بالنسبة للمؤسسات الطبية التي تزن خيار تبني الذكاء الاصطناعي في علم الأمراض الرقمي، فإن جاذبية نموذج موحّد واضحة: عدد أقل من الأنظمة التي يجب التحقق منها ونشرها وصيانتها، دون التضحية بالأداء عبر مجموعة المهام التي يحتاجها أطباء الأمراض والباحثون فعلياً. أما مدى قابلية نهج ALICE للتعميم خارج نطاق 48 مصدر البيانات التي جرى اختبارها، وكيفية أدائه في سير العمل السريري الحقيقي خارج شروط القياس المعياري، فتبقى أسئلة لم تحسمها الورقة البحثية نفسها.