EPEE: نحو نماذج أساس فعالة وموفرة في العلوم الطبية الحيوية

لماذا يهم أن يفكّر الذكاء الاصطناعي أسرع في الطب

يمكن للذكاء الاصطناعي الحديث قراءة السجلات الطبية وفحص الصور بمهارة لافتة، لكن في المستشفيات الواقعية كل ثانية لها وزنها. لا يستطيع الأطباء في غرف الطوارئ أو وحدة العناية المركزة الانتظار بينما «يفكّر» نموذج ضخم ببطء عبر عشرات المراحل، خصوصاً إذا كانت هذه المراحل الإضافية لا تحسّن الإجابة. تقدّم هذه الدراسة طريقة لمساعدة أنظمة الذكاء الاصطناعي الطبية الكبيرة على معرفة متى شاهدت ما يكفي لاتخاذ قرار آمن وموثوق، موفّرةً الوقت وموارد الحوسبة دون التضحية بالدقة.

مشكلة بطء الذكاء الاصطناعي وميله للمبالغة

تدعم نماذج «الأساس» الكبيرة العديد من التقدّمات الأخيرة في تقنيات الصحة. تساعد نماذج اللغة على فحص السجلات الإلكترونية والأوراق البحثية، بينما تفحص نماذج الرؤية صوراً مثل الأشعة والشرائح النسيجية. ومع ذلك، تُبنى هذه النماذج على طبقات متعددة متتالية تعالج نفس المدخل مراراً وتكراراً. عملياً، كثيراً ما تضيف الطبقات المتأخرة قيمة قليلة وقد تضرّ الدقة أحياناً، وهي مشكلة يصفها المؤلفون بأنها الإفراط في التفكير. للمُعالج الطبي المنتظر نتيجة خطر أو تنبيه لتفاعل دوائي خطير، يتحوّل هذا الدوران العقلي الإضافي من جانب الحاسوب إلى تأخيرات فعلية وتكاليف حوسبة أعلى.

السماح للحالات السهلة بالخروج مبكراً

اقترحت أبحاث سابقة «الخروج المبكر»، حيث يتضمن النموذج نقاط تفتيش صغيرة بين الطبقات. إذا كان أحد نقاط التفتيش واثقاً جداً من إجابته، يمكن للنموذج التوقف هناك بدلاً من تمرير البيانات عبر كل الطبقات المتبقية. تعتمد إحدى عائلات الطرق على الثقة: إذا بدا التنبؤ مركزاً بشكل كبير على نتيجة واحدة، يخرج النموذج. هذه الطرق بسيطة ومرنة لكنها قد تفقد الدقة عند ضبطها لصالح السرعة. والعائلة الأخرى تنتظر موافقة عدة طبقات متتالية على نفس الجواب، قاعدة «الصبر» التي تحمي الدقة عادةً لكنها حسّاسة لعدد الاتفاقات المطلوبة، مما يجعل ضبطها صعباً لمتطلبات سريرية مختلفة.

خروج مبكر هجيني يُدعى EPEE

يقدّم المؤلفون EPEE، اختصاراً لعبارة الخروج المبكّر المعتمد على الإنتروبيا والصبر (Entropy- and Patience-based Early Exiting)، والذي يمزج هاتين الفكرتين. عند كل طبقة من نموذج التحويل (Transformer)، يرفق EPEE مصنّفاً خفيف الوزن. يتحقق النظام من شرطين بسيطين: هل التنبؤ الحالي واثق جداً، وهل كانت الطبقات الأخيرة تصدر نفس القرار باستمرار؟ إذا تحقق أي من الشرطين، يتوقف النموذج ويعيد النتيجة. عبر تعديل تعريف «الوثوق» وعدد الاتفاقات المطلوبة المتكررة، يمكن للمستخدمين ضبط كل من السرعة والحذر. والأهم أن المؤلفين يوضّحون أن طرق الثقة فقط وطرق الصبر فقط القديمة ما هي إلا حالات خاصة من هذه الاستراتيجية العامة.

اختبارات على نصوص وصور طبية حقيقية

لاختبار فعالية EPEE عملياً، اختبر الفريق الطريقة في ثلاثة أنواع من المهام الطبية الحيوية: تصنيف الملاحظات أو المراجعات، إيجاد العلاقات مثل تفاعلات الأدوية، واستخراج الأحداث الطبية من النص. استخدموا ثمانية نماذج أساس شائعة، بما في ذلك نماذج لغة مثل BERT وGPT-2 ونموذج تحويل للرؤية للصور الطبية. عبر اثنتي عشرة مجموعة بيانات مأخوذة من سجلات العناية المركزة ومراجعات المرضى والأدبيات الطبية ومجموعات صور مثل أشعة الصدر وشرائح خلايا الدم، قارنوا EPEE مع الاستدلال الكامل التقليدي ومع طرق الخروج المبكر السابقة. في كثير من الحالات، وصل النموذج إلى أفضل دقة أو دقة قريبة من الأفضل عند طبقات وسيطة، ما يعني أن إجباره على استخدام كل الطبقات كان غير ضروري. استثمر EPEE هذا الأمر بالسماح للحالات البسيطة بالخروج مبكراً مع ترك الحالات الأصعب تمر عبر طبقات أكثر.

موازنة السرعة والموثوقية في العيادة

عند قياس زمن التشغيل، خفّض EPEE زمن الاستدلال باستمرار مقارنةً بكل من النماذج التقليدية كاملة العمق وتقنيات الخروج المبكر السابقة، وغالباً ما قلّص العبء الحسابي الفعلي مع مطابقة الدقة أو تحسينها قليلاً. تطلّب الأسلوب تكلفة إضافية صغيرة فقط أثناء التدريب وعمل بشكل جيد لنماذج اللغة والصورة على حد سواء، بما في ذلك نماذج طبية حيوية أكبر حداثة. وبما أن إعداداتهما قابلة للضبط لاستهداف مفاضلة مختارة بين السرعة والصحة، فإن EPEE مناسب جيداً لبيئات مثل العناية المركزة حيث تكون الإجابات السريعة حاسمة لكن الأخطاء مكلفة.

ما الذي يعنيه هذا لمستقبل الذكاء الطبي

بشكل مبسّط، يعلّم هذا العمل أنظمة الذكاء الاصطناعي الطبية الكبيرة أن تتوقف عندما تعرف الإجابة بالفعل، بدلاً من إعادة فحص عملها بلا نهاية. من خلال دمج قاعدتي خروج شائعتين في إطار مرن، يبيّن EPEE أن المستشفيات قد لا تحتاج نماذج أكبر لتحقيق أداء أفضل؛ قد تحتاج فقط نماذج تستخدم «عقولها» الحالية بحكمة أكبر. إذا اعتمدت على نطاق واسع، قد تساعد هذه الاستراتيجية للخروج المبكر في إدخال نماذج نص وصورة قوية إلى سير العمل السريري في الوقت الفعلي، داعمةً قرارات أسرع ومع ذلك موثوقة عند سرير المريض.

الاستشهاد: Zhan, Z., Zhou, S., Zhou, H. et al. EPEE: towards efficient and effective foundation models in biomedicine. npj Health Syst. 3, 30 (2026). https://doi.org/10.1038/s44401-026-00083-2

الكلمات المفتاحية: الخروج المبكر, الذكاء الاصطناعي الطبي الحيوي, نماذج الأساس, كفاءة النموذج, دعم القرار السريري