روبوتات الدردشة بالذكاء الاصطناعي تقرأ صور الأشعة السينية — واثقة بشكل خطير حتى عندما تكون مخطئة

RadLE 2.0 — الامتحان الأخير للأشعة للذكاء الاصطناعي

في يوليو 2026، نشر مختبر CRASH (جامعة أشوكا، الهند) RadLE 2.0 — النسخة الثانية من الامتحان الأخير للأشعة. هذا معيار يختبر ما إذا كان الذكاء الاصطناعي يمكنه التعرف على متى يكون من الأفضل ترك التشخيص لإنسان. الأمر لا يتعلق فقط بالدقة، بل أيضًا بما إذا كان النموذج يدرك حدوده الخاصة — وهو أمر حاسم في الطب.

تم إجراء الاختبار على 200 حالة سريرية بمشاركة 16 نموذجًا مختلفًا للذكاء الاصطناعي، وتمت مقارنتهم بمجموعة من أطباء الأشعة. الحد الأقصى للنقاط هو 2000. سجل الخبراء البشر 988.7 نقطة، بينما سجل أفضل نموذج ذكاء اصطناعي 758 نقطة. هذا يعني أن حتى أفضل ممثل للذكاء الاصطناعي لا يصل إلى 75% من النتيجة التي أظهرها الإنسان.

تظهر هذه النتيجة بوضوح أنه على الرغم من كل التقدم، لا يزال الذكاء الاصطناعي بعيدًا عن إجراء التشخيص الإشعاعي بشكل مستقل. والأسوأ من ذلك، أن النماذج غالبًا لا تدرك عندما ترتكب خطأ. صدرت النسخة الأولى من RadLE 2.0 في سبتمبر 2025 وأظهرت صورة أكثر حدة: كانت دقة أطباء الأشعة 83%، بينما أظهر أفضل ذكاء اصطناعي 30% فقط. في غضون ثلاثة أشهر فقط، تجاوز Gemini 3 Pro مستوى أطباء الأشعة المقيمين — الدقة تتزايد بسرعة، لكن النماذج لا تزال تفتقر إلى الإحساس بحدودها.

كيف يعمل نظام النقاط — الصدق أفضل من الخطأ الواثق

يختلف نظام تقييم RadLE 2.0 جذريًا عن المعايير التقليدية. إنه يكافئ الصدق ويعاقب الثقة المفرطة. يجب على النموذج تقييم إجابته على مقياس ثقة من 0 إلى 4. إذا أعطى النموذج إجابة صحيحة بثقة عالية — يحصل على نقاط كاملة. إذا ارتكب خطأ بثقة عالية — تُخصم النقاط. إجابة "لا أعرف" تعطي 0 نقطة لكن بدون أي غرامة. هذا يعني أن الاستراتيجية الأكثر أمانًا للنموذج هي الصمت عند عدم اليقين.

هذا النهج مهم بشكل خاص في الطب. كما ورد في إحدى الدراسات المقتبسة: طالما أن المعايير تقيّم الدقة فقط، فإن نماذج الذكاء الاصطناعي تتعلم التخمين. في الطب، التشخيص الخاطئ الواثق أخطر بكثير من الاعتراف الصادق بـ "لا أعرف". يؤكد مؤلفو الدراسة أن قادة شركات التكنولوجيا والمستثمرين يبالغون علنًا في قدرات الذكاء الاصطناعي، مما يضلل المرضى.

النموذج الذي يخمن غالبًا بثقة عالية يهبط في التصنيف، حتى لو كانت دقته الأولية مقبولة. هذا بالضبط ما يجعل بعض النماذج خطيرة على المرضى — قد يبدو النموذج جيدًا إحصائيًا، لكن أخطائه ملونة بثقة عالية لا يستطيع المريض تمييزها.

من كان الأفضل — Claude Fable 5 أم Gemini 3 Pro أم Muse Spark 1.1؟

لم يفز أي نموذج في جميع الفئات. كان Claude Fable 5 من Anthropic الأفضل في الإجابات الموثوقة والآمنة، متصدرًا المقياس الأساسي. أظهر Google Gemini 3 Pro أعلى دقة أولية — بين النماذج الرائدة، إنه يكاد يلحق بالنتائج البشرية.

تميز Meta Muse Spark 1.1 بأنه الأفضل في تحديد متى يجب تحويل الحالة إلى أخصائي أشعة بشري. خفضت Meta معدل الهلوسة لهذا النموذج إلى النصف تقريبًا — فهو الآن يرفض الإجابة أكثر مما يعطي إجابة خاطئة.

نماذج أخرى تتطور في الاتجاه المعاكس. Grok 4.5، على سبيل المثال، ينتج هلوسات أكثر بكثير من سابقه. السبب بسيط: إنه يعرف أكثر، لكنه أيضًا أكثر ثقة في أخطائه.

مشكلة النماذج مفتوحة المصدر — محاولة تخمين كل شيء

كشفت الدراسة عن اتجاه مقلق بشكل خاص بين النماذج مفتوحة الأوزان والنماذج المدربة خصيصًا للطب. إنها تحاول الإجابة على كل حالة تقريبًا، غالبًا بثقة عالية، وفي معظم الأحيان تخطئ.

"عدة نماذج كانت ستحصل على نقاط أفضل بكثير لو التزمت الصمت أكثر بدلاً من التخمين"، يلاحظ الباحثون. هذا خطير بشكل خاص في سياق أن المرضى يقومون بالفعل اليوم بتحميل صور الأشعة السينية والرنين المغناطيسي إلى روبوتات الدردشة ويثقون في إجاباتهم.

المرضى يثقون بالفعل بالذكاء الاصطناعي — وهذا خطير

المزيد والمزيد من الناس يستخدمون روبوتات الدردشة بالذكاء الاصطناعي للحصول على المشورة الطبية. أظهرت دراسة نُشرت في npj Digital Medicine أن روبوتات الدردشة واسعة الانتشار غالبًا ما تقدم إجابات غير موثوقة للأسئلة الطبية.

ينتقد فريق البحث قادة شركات التكنولوجيا والمستثمرين الذين يبالغون علنًا في قدرات الذكاء الاصطناعي. الادعاءات بأن الذكاء الاصطناعي يشخص بالفعل أفضل من 99% من الأطباء تستند في الغالب إلى حكايات أو محاكاة.

كشفت دراسة بولندية أجريت عام 2025 عن مشكلة أخرى — "تأثير خرائط Google". الأطباء الذين يستخدمون الذكاء الاصطناعي بانتظام أثناء تنظير القولون يكتشفون عددًا أقل بكثير من التكوينات السابقة للسرطان عند العمل بدون الأداة — ينخفض معدل الكشف من 28.4% إلى 22.4%. بدون الملاحة، يضيعون.

دورة الضجة للذكاء الاصطناعي في الأشعة — من 2016 إلى 2026

لقد مرت الأشعة بالفعل بدورة ضجة كاملة للذكاء الاصطناعي. في عام 2016، أعلن رائد الذكاء الاصطناعي جيفري هينتون أنه يجب التوقف عن تدريب أطباء الأشعة لأن التعلم العميق سيتولى وظائفهم قريبًا. وافقه ريتشارد ساتون وأصوات بارزة أخرى. بعد ما يقرب من عشر سنوات، لا يزال أطباء الأشعة مثقلين بالعمل، واضطر هينتون إلى التراجع عن توقعه.

لقد اختصر المهنة إلى مجرد تحليل الصور وتجاهل التعقيد الكامل للمجال. كما توقع الرئيس التنفيذي لشركة OpenAI سام ألتمان لسنوات أن الذكاء الاصطناعي سيحل محل الوظائف بوتيرة مرعبة، لكنه غير رأيه مؤخرًا.

الخلاصة — على الذكاء الاصطناعي أولاً أن يتعلم الصمت

يصرح مؤلفو RadLE 2.0 بوضوح: قبل أن يتخذ الذكاء الاصطناعي قرارات مستقلة في الطب، يجب أن يعرف متى يكون من الأفضل عدم القيام بذلك. تظهر الدراسات الحديثة — MIRA (نظام السجلات الطبية الإلكترونية) و AMIE — أن الذكاء الاصطناعي يمكنه منافسة الأطباء في الاستشارات المحاكاة، لكن العالم الحقيقي أكثر تعقيدًا بكثير.

قد يعرف متخصصو الذكاء الاصطناعي نماذجهم جيدًا، لكنهم يبالغون بشكل منهجي في تقدير السرعة التي يمكن بها استبدال مهن بأكملها. مثل الذكاء الاصطناعي الذي يبنونه، لا يعرف الناس دائمًا متى يكون من الأفضل التزام الصمت لأنهم يخرجون عن نطاق اختصاصهم.

سيتم توسيع RadLE 2.0 بشكل مستمر ليشمل نماذج جديدة. سيتم نشر المنشور العلمي الكامل مع تحليل التكاليف وتصنيف الأخطاء في المستقبل القريب.

📖 المصدر