الحاضر والمستقبل لتشخيص الذكاء الاصطناعي في طب العيون (AI Diagnosis in Ophthalmology)

أهم النقاط باختصار

أهم ما يميز هذا المرض

• تُعدّ طب العيون من أكثر المجالات الطبية تقدمًا في تطبيقات الذكاء الاصطناعي، كما أن بيانات الصور المعيارية مثل صور قاع العين وOCT مناسبة لتعلّم الذكاء الاصطناعي.
• في عام 2018، وافقت إدارة الغذاء والدواء الأمريكية (FDA) على أول نظام تشخيص بالذكاء الاصطناعي يعمل بشكل ذاتي بالكامل (IDx-DR)، وأصبح فحص اعتلال الشبكية السكري آليًا في مرحلة التطبيق العملي²⁾.
• في تقييم لشات بوت بالذكاء الاصطناعي (ChatGPT-4) حول معرفة طب العيون، بلغت الدقة الإجمالية 70%، مع اختلافات بحسب المجال: كانت الشبكية 77% (الأعلى) وطب العيون العصبي 58% (الأدنى)³⁾.
• اعتُبر فحص اعتلال الشبكية السكري بالذكاء الاصطناعي مجديًا من حيث التكلفة في 11 من أصل 15 دراسة، وأفاد نظام NHS الاسكتلندي بتوفير سنوي يقارب 400 ألف دولار¹⁾.
• ما تزال دقة الذكاء الاصطناعي تواجه تحديات في جودة الصورة، والتحيز في بيانات التدريب، والتعامل مع الأمراض النادرة¹⁾.
• تشخيص الذكاء الاصطناعي هو أداة مساعدة، أما التشخيص النهائي وخطة العلاج فيحددهما طبيب عيون متخصص.
• يتقدم البحث في الذكاء الاصطناعي الذي يتنبأ بأمراض جهازية مثل خطر أمراض القلب والأوعية الدموية والخرف من صور قاع العين⁶⁾.

1. ما هو التشخيص العيني بالذكاء الاصطناعي

الذكاء الاصطناعي (AI) هو مصطلح عام لأنظمة التعلم الآلي التي تحاكي الذكاء البشري. التعلم العميق (DL) هو فرع من الذكاء الاصطناعي يستخدم شبكات عصبية متعددة الطبقات لاستخراج خصائص متقدمة وإجراء أحكام معقدة¹⁾.

طب العيون من المجالات الطبية التي تقدّم فيها استخدام الذكاء الاصطناعي أكثر من غيرها. صور قاع العين، وOCT (التصوير المقطعي للتماسك البصري)، وفحص المجال البصري، وغيرها من بيانات الصور، جميعها موحدة، مما يسهل تأمين كميات كبيرة من بيانات التدريب. والأهداف الرئيسية لاستخدام الذكاء الاصطناعي هي النقاط الثلاث التالية.

• تحسين كفاءة الفحص (تقليل عبء قراءة الصور على أطباء العيون المتخصصين)
• تحسين الوصول في المناطق التي تعاني من نقص في المتخصصين
• توحيد دقة التشخيص (تقليل الفروق بين المرافق)

في عام 2018، وافقت إدارة الغذاء والدواء الأمريكية (FDA) على أول نظام تشخيص بالذكاء الاصطناعي يعمل بشكل ذاتي بالكامل (IDx-DR)، مما سرّع التطبيق العملي للتشخيص العيني بالذكاء الاصطناعي²⁾. ويمكن تشغيل IDx-DR بواسطة موظفين غير مختصين بطب العيون في بيئات الطب الباطني والرعاية الأولية، ويحدد تلقائيًا ما إذا كانت هناك حاجة لإحالة المريض إلى أخصائي عيون²⁾.

أظهرت أنظمة التعلّم العميق دقةً مماثلةً لدقة الأخصائيين في الكشف عن اعتلال الشبكية السكري والزرق وAMD، كما تم إظهار إمكانية التشخيص بالذكاء الاصطناعي باستخدام صور قاع العين⁸⁾.

Q كيف يُستخدم الذكاء الاصطناعي في طب العيون؟

A

يحلل الذكاء الاصطناعي تلقائيا صور قاع العين وصور OCT للكشف عن أمراض مثل اعتلال الشبكية السكري والزرق والتنكس البقعي المرتبط بالعمر. ويمكن تشغيل الذكاء الاصطناعي للفحص (ذاتي التشغيل بالكامل) بواسطة غير أخصائيي العيون، ويُستخدم للفحص الأولي في المناطق التي تعاني من نقص في الأخصائيين. كما تُجرى أبحاث على استخدام روبوتات الدردشة بالذكاء الاصطناعي (مثل GPT-4) لتقييم معرفة طب العيون وتثقيف المرضى³⁾. ويُنظر إليه كأداة مساعدة، بينما يجري التشخيص النهائي بواسطة أخصائي طب العيون.

2. أنواع الذكاء الاصطناعي والأمراض المستهدفة

يُقسَّم الذكاء الاصطناعي في طب العيون بشكل عام إلى الأنواع الثلاثة التالية بحسب الوظيفة ومستوى الاستقلالية.

الذكاء الاصطناعي للفحص (ذاتي التشغيل بالكامل)

يحلل تلقائيا صور قاع العين ويحدد ما إذا كانت الإحالة غير ضرورية أم مطلوبة. ويمكنه العمل حتى في الأماكن التي لا يوجد فيها أخصائي عيون، ويُطبق على الأمراض التالية²⁾.

• اعتلال الشبكية السكري (DR): الأكثر بحثا والأكثر تطبيقا
• التنكس البقعي المرتبط بالعمر (AMD): كشف الدروزن والأوعية الدموية الجديدة
• الزرق: التحليل التلقائي لرأس العصب البصري وطبقة ألياف العصب
• اعتلال الشبكية عند الخدّج (ROP): فحص حديثي الولادة في وحدة العناية المركزة لحديثي الولادة
• الورم الأرومي الشبكي: مراقبة قاع العين لدى الأطفال

الذكاء الاصطناعي الداعم للتشخيص (شبه ذاتي)

هو نظام يساعد الطبيب في قراءة الصور. ويُستخدم في تصنيف أنماط AMD عبر التقسيم الآلي لبنية طبقات OCT، وكذلك في تقييم شدة الوذمة البقعية السكرية (DME).

روبوت دردشة بالذكاء الاصطناعي (متعدد الوسائط)

هو تطبيق لنموذج لغوي كبير يحلل النصوص (معلومات أخذ القصة المرضية) والصور (صور قاع العين وOCT) في الوقت نفسه. وقد جرى تقييم معرفة ChatGPT-4 بأمراض العيون وقدرته على تفسير الصور، ويجري النظر في استخدامه لتثقيف المرضى وأخذ القصة المرضية عن بُعد³⁾.

نوع الذكاء الاصطناعي	النظام النموذجي	المرض المستهدف	مؤشر الدقة
ذكاء اصطناعي للفحص (ذاتي التشغيل)	IDx-DR2)	اعتلال الشبكية السكري	الحساسية 87.2%، النوعية 90.7%
ذكاء اصطناعي للفحص (ذاتي التشغيل)	i-ROP DL5)	ROP	الحساسية 91%، النوعية 91%
ذكاء اصطناعي للفحص (ذاتي التشغيل)	EyeArt4)	اعتلال الشبكية السكري	مُقيَّم ومستخدم في هيئة الخدمات الصحية الوطنية البريطانية
روبوت محادثة بالذكاء الاصطناعي	ChatGPT-43)	تقييم المعرفة في طب العيون	الدقة الإجمالية 70%

3. الأنظمة الرئيسية للذكاء الاصطناعي ودقة التشخيص

IDx-DR (Digital Diagnostics)

²⁾ هو أول نظام تشخيص بالذكاء الاصطناعي يعمل بشكل ذاتي بالكامل ووافقت عليه إدارة الغذاء والدواء الأمريكية عام 2018. يلتقط العاملون غير المتخصصين في طب العيون الصور باستخدام كاميرا قاع العين غير الموسعة، ثم يحللها الذكاء الاصطناعي تلقائياً ويقرر الإحالة. ويجري إدخاله في مرافق الرعاية الأولية.

مؤشرات الأداء الرئيسية (التجربة المحورية لعام 2018 لـ Abràmoff وآخرين)²⁾:

• الحساسية: 87.2% (كشف اعتلال الشبكية السكري المتوسط أو الأشد)
• النوعية: 90.7%
• القيمة التنبؤية الإيجابية: 49.7%، والقيمة التنبؤية السلبية: 98.5%

أتاح IDx-DR إجراء فحص اعتلال الشبكية السكري بشكل ذاتي في أقسام الباطنة والرعاية الأولية، مما يساعد على فرز الحالات التي تحتاج إلى إحالة إلى طبيب عيون بكفاءة²⁾.

تفسير صور طب العيون بواسطة روبوت الدردشة بالذكاء الاصطناعي (ChatGPT-4)

تم تقييم دقة GPT-4 في أسئلة طب العيون متعددة الخيارات³⁾، وكانت الدقة الإجمالية 70%.

• الدقة الإجمالية: 70% (299/428 سؤالاً)
• ترتيب الدقة حسب المجال:

المجال	دقة
الشبكية	77% (الأعلى)3)
أورام العين	72%3)
طب عيون الأطفال	68%3)
التهاب العنبية	67%3)
الزرق	61%3)
طب العيون العصبي	58% (الأدنى)3)

• أسئلة قائمة على الصور: 65%، أسئلة غير قائمة على الصور: 82% (الفرق 17%، P < .001)³⁾

يوضح هذا الفرق أن قدرة روبوت الدردشة على تفسير الصور لا تزال أقل من فهمه للنص غير المعتمد على الصور. وقد أُشير إلى أن الدمج المناسب لروبوتات الدردشة متعددة الوسائط في البيئات السريرية أمر أساسي³⁾.

IDx-DR (حصل على موافقة FDA في 2018)

المرض المستهدف: اعتلال الشبكية السكري

الدقة: الحساسية 87.2%، النوعية 90.7%

الميزات: ذاتي بالكامل. يمكن تشغيله من قبل غير أخصائيي طب العيون. يُستخدم في الطب الباطني والرعاية الأولية²⁾

EyeArt (Eyenuk)

المرض المستهدف: اعتلال الشبكية السكري

الدقة: جرى تقييمه وأُدخل حيز الاستخدام في هيئة الخدمات الصحية الوطنية البريطانية

الميزات: له سجل في الاندماج ضمن برامج الفحص⁴⁾

i-ROP DL (2018)

المرض المستهدف: اعتلال الشبكية عند الخدّج (ROP)

الدقة: الحساسية 91%، النوعية 91%

الميزة: الكشف الآلي عن مرض plus في وحدة العناية المركزة لحديثي الولادة⁵⁾

ChatGPT-4 (OpenAI)

المجال: تقييم المعرفة بطب العيون وتفسير الصور

الدقة: معدل الإجابة الصحيحة الإجمالي 70% (الشبكية 77%، طب العيون العصبي 58%)

الميزة: في مرحلة البحث لتطبيقه في تثقيف المرضى والاستشارات عن بُعد³⁾

Q ما مدى دقة الذكاء الاصطناعي في تشخيص أمراض العيون؟

A

أظهر نظام الذكاء الاصطناعي لفحص اعتلال الشبكية السكري (IDx-DR) حساسية 87.2% ونوعية 90.7%، وكانت دقته مماثلة لقراءة اختصاصي طب العيون²⁾. كما حقق الذكاء الاصطناعي المخصص لاعتلال الشبكية عند الخدّج (ROP) (i-ROP DL) حساسية 91% ونوعية 91%⁵⁾. أما في تقييم معرفة chatbot الذكاء الاصطناعي (ChatGPT-4) بطب العيون، فبلغ معدل الإجابة الصحيحة الإجمالي 70%، وكان أقل في مجال طب العيون العصبي بنسبة 58%³⁾. وفي جميع الحالات، يُعد الذكاء الاصطناعي أداة مساعدة، وإذا تم اكتشاف أي شذوذ، فيلزم إجراء فحص دقيق لدى اختصاصي طب العيون.

4. الفعالية من حيث التكلفة والاقتصاد الصحي

تتراكم الأدلة من عدة دراسات حول الفعالية من حيث التكلفة للفحص العيني باستخدام الذكاء الاصطناعي¹⁾.

فحص اعتلال الشبكية السكري (DR)

في المراجعة المنهجية التي أجراها Wu وآخرون (2021)، اعتبر 11 من أصل 15 دراسة قيّمت الجدوى الاقتصادية لفحص DR المعتمد على الذكاء الاصطناعي أنه فعّال من حيث التكلفة¹⁾.

• هيئة الخدمات الصحية الوطنية في اسكتلندا: توفير سنوي قدره $403,200
• الولايات المتحدة (IDx-DR/EyeArt): خفض التكاليف بنسبة 23.3% لكل مريض
• ريف الصين: كان فحص الذكاء الاصطناعي أقل تكلفة من المقيمين البشريين بمقدار $34.86 وحسّن QALY بمقدار 0.04

المنطقة/البيئة	تقييم الفعالية من حيث التكلفة	المصدر
هيئة الخدمات الصحية الوطنية في اسكتلندا	توفير سنوي قدره $403,200	Wu 20211)
الرعاية الأولية في الولايات المتحدة	خفض التكاليف بنسبة 23.3% لكل مريض	Wu 20211)
المناطق الريفية في الصين	أرخص من المُقيِّمين البشريين بمقدار $34.86، مع +0.04 QALY	Wu 20211)
اليابان (AMD، Tamura et al. 2022)	ICER $99,283/QALY (فوق العتبة)	Wu 20211)

فحص اعتلال الشبكية عند الخدج (ROP)

أُبلِغ أن الفحص الذاتي بالذكاء الاصطناعي هو الأكثر جدوى من حيث التكلفة مقارنةً بالطب عن بُعد، وفحص قاع العين بالمنظار، والذكاء الاصطناعي المساعد¹⁾. وعند عتبة الاستعداد للدفع البالغة $7، اعتُبر فعّالًا من حيث التكلفة مقارنةً بالفحص المساعد¹⁾.

فحص AMD (الضمور البقعي المرتبط بالعمر)

في محاكاة لأتراب يابانية (500,000 شخص بعمر 40 عامًا فأكثر، معدل الانتشار 3.85%)، كان ICER لفحص الذكاء الاصطناعي كل 3 سنوات $99,283/QALY ($92,890-$99,283)¹⁾. وهذا يتجاوز عتبة الاستعداد للدفع في اليابان (حوالي $47,286/QALY)، لذا تبقى الجدوى الاقتصادية لفحص AMD موضع شك في الوقت الحالي¹⁾. ومع ذلك، قد يحدث تحسن مستقبلي مع تقدم تقنية الذكاء الاصطناعي وانخفاض التكاليف.

5. التحديات والقيود

التحديات التقنية

• انحياز بيانات التدريب: في مجموعات البيانات المنحازة إلى أعراق أو فئات عمرية معينة، تنخفض الدقة لدى المجموعات الأخرى¹⁾
• الاعتماد على جودة الصورة: تؤثر جودة صور قاع العين (وجود توسع حدقة أم لا، عتامات الأوساط، وظروف التصوير) مباشرة في دقة الذكاء الاصطناعي
• صعوبة التعامل مع الأمراض النادرة: الأمراض ذات بيانات التدريب القليلة لا يمكن تحقيق دقة كافية فيها
• مشكلة الصندوق الأسود: أساس قرارات الذكاء الاصطناعي غير واضح، ما يجعل من الصعب على الأطباء أداء مسؤولية الشرح¹⁾
• انخفاض الدقة في طب العيون العصبي: بلغت نسبة الإجابة الصحيحة لـ ChatGPT-4 في طب العيون العصبي 58% وكانت الأدنى، مع وجود حدود في تفسير اضطرابات العصب البصري المعقدة³⁾

التحديات الأخلاقية والتنظيمية

تُذكر فيما يلي القضايا الأخلاقية والقانونية للذكاء الاصطناعي في طب العيون¹⁾.

• خصوصية المريض وأمن البيانات: وضع لوائح لإدارة صور قاع العين عبر السحابة ومشاركتها دولياً
• المسؤولية في حال التشخيص الخاطئ: عند حدوث تشخيص خاطئ من الذكاء الاصطناعي، هل تقع المسؤولية على الطبيب أم على الشركة المصنّعة للذكاء الاصطناعي
• الإجراءات التنظيمية وإجراءات الموافقة: أنظمة تقييم مناسبة للأجهزة الطبية المعتمدة على الذكاء الاصطناعي بموجب FDA (الولايات المتحدة)، وقانون الأدوية والأجهزة الطبية (اليابان) وغيرها
• ضمان قابلية التفسير (explainability): أهمية عرض أساس قرارات الذكاء الاصطناعي بشكل يمكن للأطباء والمرضى فهمه

القضايا الاقتصادية الصحية

• قد تكون تكلفة البدء الأولية (الأجهزة والبرامج وتدريب العاملين) مرتفعة¹⁾
• هناك فرق كبير في الجدوى الاقتصادية بين البلدان منخفضة الدخل ومرتفعة الدخل¹⁾
• تجري كل دولة حالياً تحسين أنظمة سداد التأمين، ولا يزال تطبيق ذلك داخل اليابان في مرحلة التطور

Q هل تشخيص العين بالذكاء الاصطناعي آمن؟

A

لقد خضعت الأنظمة المعتمدة من جهات تنظيمية مثل FDA (مثل IDx-DR) لتجارب سريرية صارمة، وتم تأكيد مستوى معين من الأمان²⁾. ومع ذلك، فإن تشخيص الذكاء الاصطناعي هو أداة مساعدة، ويجب أن يحدد طبيب العيون التشخيص النهائي وخطة العلاج. لا يُنصح بأن يعتمد المريض على روبوت دردشة بالذكاء الاصطناعي فقط (مثل ChatGPT) لإجراء التشخيص الذاتي. قد تنخفض دقة الذكاء الاصطناعي مع رداءة جودة الصور والأمراض النادرة وفي مجال طب أعصاب العين³⁾، لذلك إذا اشتُبه بوجود خلل، فمن المهم مراجعة طبيب العيون بسرعة.

6. الأساس التقني: كيف يعمل التعلم العميق

صورة مع خريطة حرارية Grad-CAM موضوعة فوق صورة لقاع العين. تُظهر الألوان المناطق التي يركز عليها الذكاء الاصطناعي لفئات ثلاث: عين طبيعية، اشتباه الزرق، واشتباه اعتلال الشبكية السكري

Arias-Serrano I, et al. Artificial intelligence based glaucoma and diabetic retinopathy detection using MATLAB — retrained AlexNet convolutional neural network. F1000Research. 2024;12:14. Figure 8. PMCID: PMC11143403. License: CC BY.

شكل مقارن يوضح خرائط حرارية Grad-CAM من AlexNet وResNet50 وGoogLeNet موضوعة فوق صور قاع العين (العمود الأيسر) لعين طبيعية (Non_D)، واشتباه الزرق (Sus_G)، واشتباه اعتلال الشبكية السكري (Sus_R). يشير اللون من الأحمر إلى الأصفر إلى درجة تركيز أعلى، بينما يشير الأزرق إلى درجة تركيز أقل. في حالات الزرق، تُلاحظ استجابة قوية حول قرص العصب البصري، بينما في حالات اعتلال الشبكية السكري تُلاحظ استجابة قوية في منطقة البقعة إلى القطب الخلفي. وهذا يتوافق مع تقنيات تصور Grad-CAM والشبكات العصبية الالتفافية التي يتناولها قسم “الأساس التقني: كيف يعمل التعلم العميق” في النص.

الشبكة العصبية الالتفافية (CNN)

الشبكة العصبية الالتفافية (CNN: Convolutional Neural Network) هي التقنية الأساسية لتشخيص أمراض العيون بالذكاء الاصطناعي.

• تستخرج السمات تلقائياً وبشكل هرمي من صور قاع العين وصور OCT المدخلة
• تتعرف الطبقات السطحية على السمات منخفضة المستوى مثل الحدود واللون، بينما تتعرف الطبقات الأعمق على السمات المجردة مثل أنماط الأوعية والنزف والوذمة وشكل قرص العصب البصري
• التعلّم المتكرر من كميات كبيرة من بيانات التدريب (صور معيارية وُسِمت بواسطة الأطباء المتخصصين)

عملية تعلّم الذكاء الاصطناعي

1. جمع البيانات: جمع واسع النطاق لصور قاع العين وبيانات OCT وبيانات فحص المجال البصري
2. إضافة الوسوم: يقوم أطباء العيون المتخصصون بإضافة الوسم المرجعي (المرحلة والنتائج) إلى كل صورة
3. التدريب والتحسين: ضبط معلمات الشبكة بشكل متكرر حتى تقترب من الإجابة الصحيحة
4. التحقق والتجارب السريرية: تقييم الأداء في مجموعات خارجية وإجراء تجربة أولية في الممارسة السريرية الفعلية

التعلّم بالنقل (تطبيق النماذج المدربة مسبقًا من مجالات أخرى مثل ImageNet على صور طب العيون) يُستخدم على نطاق واسع كطريقة لتحقيق دقة عالية حتى عندما تكون بيانات التدريب محدودة.

كما يتقدم البحث في توليد صور اصطناعية باستخدام GAN (الشبكات التوليدية الخصامية) لتوسيع بيانات التدريب للأمراض النادرة بشكل اصطناعي.

الذكاء الاصطناعي متعدد الوسائط

الذكاء الاصطناعي متعدد الوسائط الذي يعالج النص (معلومات المقابلة الطبية) والصور (صور قاع العين وOCT) في الوقت نفسه، يُطبَّق في طب العيون مع تطور نماذج اللغة الكبيرة (مثل GPT-4)³⁾. وعلى الرغم من أنه يستطيع دمج معلومات أكثر تنوعًا من CNN أحادي الوسيط، فقد أظهرت الدراسات أن قدرته على تفسير الصور لا تزال أضعف من فهمه للنص³⁾.

7. أحدث الأبحاث والآفاق المستقبلية

تنبيه بشأن المعلومات في مرحلة البحث

يتضمن المحتوى التالي عناصر ما تزال في مرحلة البحث أو في مرحلة التطبيق المبكر. ولا يمكن تنفيذها حالياً في جميع المؤسسات الطبية، وتُعرض هنا بوصفها معلومات مرجعية حول التطورات الطبية والتقنية المستقبلية.

التنبؤ بالأمراض الجهازية من صور قاع العين

أظهر تحليل صور قاع العين باستخدام التعلم العميق أنه قد يكون من الممكن التنبؤ بعوامل الخطر الجهازية مثل العمر والجنس وضغط الدم الانقباضي وتاريخ التدخين وHbA1c من صور قاع العين وحدها⁶⁾. كما أُبلغ عن دقة معينة في التنبؤ بالمخاطر المستقبلية للأحداث القلبية الوعائية (احتشاء عضلة القلب والسكتة الدماغية)، مما يلفت الانتباه إلى إمكانية أن تكون صور قاع العين نافذة على الحالة الصحية العامة. كما لا تزال نماذج الذكاء الاصطناعي للتنبؤ بالخرف وأمراض الكلى وفقر الدم في مرحلة البحث⁶⁾.

التكامل مع كاميرا قاع العين في الهاتف الذكي

من خلال تصوير قاع العين بعدسة صغيرة تُثبت على الهاتف الذكي وتحليل الذكاء الاصطناعي، تبيّن أن فحص DR لدى مرضى السكري في الهند عملي⁷⁾. وكانت كل من الحساسية والنوعية مماثلتين لتلك الخاصة بكاميرات قاع العين المتخصصة، وقد يسهم فحص الذكاء الاصطناعي المدمج مع أجهزة عامة منخفضة التكلفة في انتشاره في البلدان النامية والمناطق الريفية.

دمج الذكاء الاصطناعي مع الطب عن بُعد

من المتوقع أن يؤدي دمج فحص الذكاء الاصطناعي مع الطب عن بُعد إلى تحسين الوصول إلى رعاية العيون في المناطق النائية والبلدان النامية. وحتى في المنشآت التي لا يوجد فيها اختصاصي عيون، يمكن للذكاء الاصطناعي إجراء الفحص الأولي وإحالة الحالات الإيجابية فقط إلى اختصاصي لقراءتها عن بُعد، مما يتيح استخداماً أكثر كفاءة للموارد الطبية.

التطبيق في الطب الشخصي

تتقدم الأبحاث حول الذكاء الاصطناعي القادر على التنبؤ مسبقاً بالاستجابة لعلاج anti-VEGF (رانيبيزوماب، أفليبرسبت، فاريسيماب، إلخ) واقتراح خطة الجرعات الأنسب لكل مريض. وقد تسهم النماذج التي تتنبأ بتأثير العلاج من صور OCT في تقليل عدد الحقن وتحسين الإنذار البصري.

تطبيقات الذكاء الاصطناعي التوليدي في تثقيف المرضى ودعم المقابلة السريرية

تُدرس النماذج اللغوية الكبيرة (مثل GPT-4) لاستخدامها في شرح الأمراض للمرضى، وإعداد وثائق الموافقة المستنيرة، ودعم المقابلة السريرية³⁾. ومع ذلك، تبقى مواجهة أخطاء المعلومات الطبية وتحيازها، والحفاظ على علاقة الطبيب بالمريض، من التحديات. ولا يُنصح بأن يعتمد المرضى على روبوتات الدردشة وحدها لاتخاذ قرارات التشخيص الذاتي أو العلاج الذاتي³⁾.

8. المراجع

1. Wu JH, Liu TYA, Hsu WT, et al. Performance and limitation of machine learning algorithms for diabetic retinopathy screening: meta-analysis. J Med Internet Res. 2021;23(11):e23863.

2. Abràmoff MD, Lavin PT, Birch M, Shah N, Folk JC. Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices. NPJ digital medicine. 2018;1:39. doi:10.1038/s41746-018-0040-6. PMID:31304320; PMCID:PMC6550188.

3. Mihalache A, Popovic MM, Guo MZ, et al. Performance of an upgraded artificial intelligence chatbot for ophthalmic knowledge assessment. JAMA Ophthalmol. 2024;142(3):234-241.

4. Olvera-Barrios A, Heeren TF, Balaskas K, et al. Diagnostic accuracy of diabetic retinopathy grading by an artificial intelligence-enabled algorithm compared with a human standard reference. Diabetologia. 2023;66(5):857-866.

5. Brown JM, Campbell JP, Beers A, et al. Automated diagnosis of plus disease in retinopathy of prematurity using deep convolutional neural networks. JAMA Ophthalmol. 2018;136(7):803-810.

6. Poplin R, Varadarajan AV, Blumer K, Liu Y, McConnell MV, Corrado GS, et al. Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning. Nature biomedical engineering. 2018;2(3):158-164. doi:10.1038/s41551-018-0195-0. PMID:31015713.

7. Rajalakshmi R, Subashini R, Anjana RM, et al. Automated diabetic retinopathy detection in smartphone-based fundus photography using artificial intelligence. Eye. 2018;32(6):1138-1144.

8. Ting DSW, Cheung CY, Lim G, Tan GSW, Quang ND, Gan A, et al. Development and Validation of a Deep Learning System for Diabetic Retinopathy and Related Eye Diseases Using Retinal Images From Multiethnic Populations With Diabetes. JAMA. 2017;318(22):2211-2223. doi:10.1001/jama.2017.18152. PMID:29234807; PMCID:PMC5820739.