معيار جديد يفضح نقطة عمياء في "الأطباء الرقميين": لا يزالون عاجزين عن قراءة الصورة السريرية

معيار قياس (Benchmark) جديد بُني من 5620 محادثة حقيقية بين مرضى وأطباء، وضع الضجة المحيطة بالمساعدين الطبيين المدعومين بالذكاء الاصطناعي أمام اختبار الواقع. يحمل الاسم MedRealMM، ويستمد بياناته من سجلات استشارات مجهولة الهوية من مستشفى صيني عامل عبر الإنترنت، تغطي 64 قسمًا سريريًا مختلفًا. ما يميز هذه القاعدة أنها تلتقط الفوضى الحقيقية للاستشارات الطبية الرقمية المليئة بالصور، بعيدًا عن النصوص المعقّمة التي تعتمد عليها أغلب المعايير التقليدية.

نُشرت الورقة البحثية على أرشيف arXiv في 10 يوليو 2026، واختبر الباحثون 19 نموذجًا لغويًا، بين نماذج عامة الاستخدام وأخرى متخصصة طبيًا، بعضها يعمل بالنص فقط وأخرى متعددة الوسائط (Multimodal) قادرة على معالجة الصور جنبًا إلى جنب مع المحادثة. النتيجة الأبرز صادمة: لم يتمكن أي من النماذج المتقدمة (Frontier Models) المختبرة من مجاراة أداء الأطباء الحقيقيين العاملين عبر الإنترنت في التعامل مع استشارات فعلية.

الصور أهم من المتوقع

لكن الأهم من تراجع الذكاء الاصطناعي عن مستوى الأطباء هو سبب هذا التراجع. كشفت الدراسة أن المعلومات البصرية، كصور الحالات الجلدية أو الفحوصات الشعاعية أو أي مواد سريرية أخرى، تشكّل عاملًا حاسمًا في تقديم استجابات موثوقة وسليمة طبيًا. النماذج التي تجاهلت الصور أو لم تعطها الوزن الكافي أظهرت أداءً أضعف بشكل لافت، وهو ما يشير إلى أن الحماس الحالي حول الذكاء الاصطناعي الطبي "متعدد الوسائط" قد يكون متقدمًا على القدرة الفعلية لهذه النماذج على تحليل الأدلة البصرية والاستدلال منها. فروبوت محادثة يصف الطفح الجلدي بالكلمات أمر يختلف جذريًا عن آخر يستطيع تفسير صورة هذا الطفح بشكل صحيح في سياقها الطبي.

ولتحديد النقاط التي تتعثر فيها النماذج بدقة، طوّر الباحثون ما يسمونه إطار استخراج "نقاط التحدي السريري متعددة الوسائط" (Multimodal Clinical Challenge Point - MCCP). وبدلًا من تقييم المحادثة كاملة بمعيار موحد، يعزل هذا الإطار اللحظات المحددة داخل الاستشارة التي تتطلب أعلى درجات الحكم السريري، أي تلك اللحظات التي يكون فيها القرار الخاطئ ذا عواقب حقيقية. هذا النهج الدقيق يسمح للمعيار بالتمييز بين النماذج التي تبدو كفؤة على السطح فقط، وتلك التي تحافظ على أدائها في اللحظات الأكثر أهمية وضغطًا.

كل حالة داخل MedRealMM مرفقة أيضًا بمقياس تقييم (Rubric) طوّر بمشاركة أطباء فعليين، مصمم لمنح درجات أعلى للاستجابات السليمة سريريًا، ومعاقبة الردود غير الآمنة أو غير المدعومة بالأدلة أو المتناقضة داخليًا. هذا الإشراف الطبي المباشر على التقييم يمثل خروجًا واضحًا عن المعايير التي تعتمد كليًا على التصحيح الآلي أو تفضيلات البشر العامة، ويستهدف بدقة كشف النصائح الطبية الخاطئة بشكل خفي، تلك التي تبدو معقولة ظاهريًا لكنها لا تصمد أمام تدقيق طبيب حقيقي.

من المقرر إصدار قاعدة البيانات علنًا على منصة Hugging Face، مما سيتيح لفرق بحثية أخرى اختبار نماذجها الخاصة أمام نفس السيناريوهات الواقعية. وبالنسبة لصناعة تتسابق لدمج مساعدي الدردشة المدعومين بالذكاء الاصطناعي في تطبيقات الطب عن بُعد والصحة الاستهلاكية، يقدّم MedRealMM رسالة تنبيه واضحة: الفجوة بين "القدرة على إجراء محادثة عن الأعراض" و"القدرة على ممارسة الطب بأمان" لا تزال واسعة، وتبيّن أن الصور هي أحد أوضح المواضع التي تنكشف فيها هذه الفجوة.