نظام ذكاء اصطناعي متعدد الوكلاء يحقق دقة 98.6% في قراءة تقارير خزعات المعدة بدراسة سنغافورية

أظهر نظام ذكاء اصطناعي متعدد الوكلاء (Multi-Agent) طورته شركة Nimblemind دقة تقارب الكمال في استخراج التفاصيل التشخيصية الحرجة من تقارير الباثولوجيا (Pathology) الخاصة بخزعات المعدة، وفق تقييم جديد أجرته منظومة صحية كبرى في سنغافورة.

النظام، المعروف باسم nMAS (Nimblemind Multi-Agent System)، خضع للاختبار على 54 تقرير باثولوجيا مجهول الهوية، وطُلب منه الإجابة عن أربعة أسئلة ثنائية حددها الأطباء لكل تقرير: هل العينة خزعة من المعدة؟ ما هي حالة الخزعة؟ هل تظهر إيجابية لبكتيريا هيليكوباكتر بايلوري (Helicobacter pylori)؟ وهل تشير إلى التهاب معدي مرتبط بهذه البكتيريا؟ من إجمالي 216 قرار تصنيف، أصاب النظام في 213 منها، أي بمعدل دقة إجمالي بلغ 98.61%.

التركيز على بكتيريا H. pylori لم يكن اختياراً عشوائياً. فهذه البكتيريا سبب معروف للالتهاب المعدي وأحد عوامل خطر سرطان المعدة، وتقدّر الدراسة أنها أصابت نحو 31% من سكان سنغافورة، وهو ما يجعل الكشف السريع والموثوق عنها في تقارير الباثولوجيا أولوية سريرية حقيقية، لا مجرد معيار أكاديمي.

كيف بُني النظام وكيف تم فحصه

بدلاً من الاعتماد على نموذج واحد لتحليل النصوص الحرة في تقارير الباثولوجيا، يوزّع nMAS المهمة على عدة وكلاء (Agents) متناسقين، ثم يجمع نتائجهم في مخرج واحد على مستوى التقرير. الأهم أن هذا المخرج يأتي مرفقاً بالجُمل المصدرية المحددة التي تدعم كل تصنيف، مما يمنح الأطباء مساراً مباشراً للرجوع إلى الدليل بدل الاعتماد على حكم "صندوق أسود" غير مفسَّر.

ولاختبار متانة هذا النهج، بنى الباحثون نظاماً منافساً مستقلاً يعتمد على نموذج MiniMax M2.5 بمعمارية على طراز UMA. وقد أنتج هذا النظام نتائج دقة إجمالية وتفصيلية على مستوى كل حقل تصنيف قريبة جداً من نتائج nMAS، مما يشير إلى أن النتائج القوية ليست نتيجة عابرة لاختيار نموذج معين، بل تعكس ميزة أعمق في تصميم الوكلاء المتعددين المرتبط بالأدلة.

توفير الوقت أهم من رقم الدقة نفسه

رقم الدقة لافت بالفعل، لكن المقارنة التوضيحية لسير العمل في الدراسة قد تكون الرقم الأكثر أهمية لمديري المستشفيات. في نموذج المراجعة اليدوية، الذي يفترض خمس دقائق لكل تقرير، تستهلك مراجعة ألف تقرير باثولوجيا نحو 83.3 ساعة عمل. أما في نظام يتحقق فيه الموظفون من الجُمل الدليلية التي يرصدها الذكاء الاصطناعي بخمس ثوانٍ لكل تقرير، بدل إعادة قراءة الوثيقة كاملة، فتنخفض المهمة نفسها إلى حوالي 1.4 ساعة عمل فقط، أي ما يعادل توفيراً يُقدّر بـ6,100 دولار أمريكي في قيمة وقت الموظفين لكل ألف تقرير.

هذا الفارق يوضّح أين يُتوقع أن تجد أنظمة مثل nMAS موطئ قدم أولاً: ليس بالضرورة كأداة تشخيص مستقلة، بل كمساعد يكشف الأدلة ويتيح لفرق الباثولوجيا التحقق من النتائج بدل استخلاصها من الصفر. وبفضل الاستشهادات القابلة للتتبع في كل مخرج، تُوضع الأداة في موقع أقرب إلى طبقة فرز (Triage) تُفرغ وقت المتخصصين النادر للحالات الأكثر حاجة إليه، لا كبديل عن الحكم السريري.

نطاق الدراسة يبقى محدوداً، فهي اعتمدت على 54 تقريراً فقط من منظومة صحية واحدة، وسيكون التحقق الأوسع عبر مجموعات بيانات أكبر وأكثر تنوعاً ضرورياً قبل تعميم النتائج. ومع ذلك، فإن اجتماع دقة عالية على مستوى كل حقل تصنيف مع معمارية نموذج ثانية حققت أرقاماً مشابهة يمنح هذا النهج مصداقية مبكرة نادراً ما تحظى بها العروض التوضيحية المعتمدة على نموذج واحد.