يشرح الذكاء الاصطناعي تقييمه لمهارة الجراح من خلال فيديوهات عمليات إزالة المياه البيضاء

3 سبتمبر 202628 الآراء

أنشأ الباحثون منصة تقيّم تلقائيًا مهارات الجراحين من خلال تسجيلات الفيديو للعمليات الجراحية. النظام، الذي تم اختباره على 83 مقطع فيديو، يُظهر توافقًا يصل إلى 87% مع الخبراء ويجعل الاستنتاجات شفافة.

يشرح الذكاء الاصطناعي تقييمه لمهارة الجراح من خلال فيديوهات عمليات إزالة المياه البيضاء

مشكلة التقييم الذاتي للمهارات الجراحية

لا يمكن تصور تدريب جراحي العيون دون تقديم ملاحظات من المرشدين ذوي الخبرة. ومع ذلك، يظل التقييم التقليدي للكفاءة عبر فيديوهات العمليات ذاتيًا إلى حد كبير: فقد يفسر خبيران نفس حركات الأدوات بشكل مختلف. وهذا يبطئ إعداد المتخصصين ويخلق خطر حدوث أخطاء في الاعتماد.

الأنظمة الآلية التي حاولت حل هذه المشكلة سابقًا، غالبًا ما كانت تعمل كـ«صندوق أسود»: فهي تعطي درجة نهائية، لكنها لا تشرح على أساس أي حركات تحديدًا تم منحها. بالنسبة للتدريب، هذه الإجابة غير مفيدة — فالجراح الشاب لا يفهم ما الذي يحتاج إلى تصحيحه بالضبط.

منصة ذكاء اصطناعي قابلة للتفسير لتحليل فيديوهات العمليات

قدمت مجموعة من الباحثين منصة جديدة تجمع بين الرؤية الحاسوبية ومعالجة الإشارات. مهمتها ليست مجرد تحديد مستوى المهارة، بل إظهار أي حركات اليد والسرعة ومسار الأداة تحديدًا أثرت على التقييم. على عكس الحلول السابقة «غير الشفافة»، يمكن هنا تتبع كل استنتاج وصولًا إلى مقياس محدد.

يعتمد النظام على أكبر مجموعة بيانات متاحة حتى اليوم: 2000 تسجيل لعمليات إزالة الساد. وهذا يسمح للخوارزميات بالتعلم على تقنيات وأنماط عمل متنوعة، وليس فقط على عينة محدودة.

السمة الرئيسية هي قابلية التفسير. تستخرج المنصة من الفيديو عشرة مقاييس موضوعية للحركة، مثل سلاسة تحريك الأداة، والسرعة، ودقة المسار. تُقارن هذه المقاييس بتقييمات الخبراء، لكن على عكس الإنسان، يمكن للآلة أن تشير إلى مقاطع محددة من العملية حيث كانت الحركات غير واثقة أو غير مثالية.

كيف تم التحقق من دقة النظام

في دراسة تجريبية، تم استخدام 83 تسجيل فيديو لعمليات. قام الجراحون الخبراء بتقييم كل منها وفق مقياس CSAS الجديد (نظام تقييم مهارات محفظة العدسة)، الموجه نحو المرحلة الرئيسية — محفظة العدسة. ثم قورنت هذه التقييمات الذاتية بعشرة مقاييس محسوبة آليًا.

أظهرت النتيجة توافقًا عاليًا بين آراء البشر وحسابات الخوارزمية. وصلت دقة التنبؤ بمستوى المهارة إلى 87%. والأهم أن الارتباط كان ملحوظًا لكل مقياس على حدة، وليس فقط للدرجة النهائية. وهذا يؤكد: النظام لا «يخمن» فحسب، بل يتعرف فعلًا على أنماط الحركة المهمة.

ماذا يعني هذا للتطبيق العملي

يمكن للذكاء الاصطناعي القابل للتفسير أن يصبح أداة مفيدة في الإقامة الطبية والتعليم الطبي المستمر. يحصل الجراح الشاب ليس فقط على تقييم «فوق المتوسط»، بل على تحليل للحركات المحددة التي يستحق تحسينها. ولجنة الاعتماد — على بيانات كمية موضوعية بالإضافة إلى الانطباعات الذاتية.

يؤكد المطورون أن منصتهم لا تحل محل الخبراء، بل تمنحهم دعمًا قويًا. ومن المحتمل أن تكون قادرة على توحيد معايير التقييم حول العالم، مما يجعل تدريب الجراحين أكثر شفافية وقابلية للتكرار. الخطوة التالية — توسيع التحقق على عينات أكبر ومراحل أخرى من عملية الساد.

الأسئلة المتكررة

المواد ذات الصلة

جميع المواد
التحقق من هلوسات LLM عبر عرض المصادر باستخدام SQL، دون إعادة تدريب
الأخبار

التحقق من هلوسات LLM عبر عرض المصادر باستخدام SQL، دون إعادة تدريب

تبحث الدراسة فيما إذا كان بإمكان نموذج لغوي كبير توظيف مهارة رمزية أساسية — إنشاء قاعدة بيانات SQL من المستندات المصدرية — للاستدلال على المصدر دون إشراف عند كشف الهلوسات. ويحقق هذا المسار العصبي الرمزي على مجموعتي RAGTruth وDiaHalu دقة أعلى من التنبؤ المباشر، ويضاهي أحدث الأساليب دون الحاجة إلى ضبط دقيق بحسب المجال.

9 نوفمبر 2026
MathAdv: ما الذي تخفيه الدقة النهائية للبراهين الآلية
الأخبار

MathAdv: ما الذي تخفيه الدقة النهائية للبراهين الآلية

تقيّم مجموعة مهام تشخيصية تغطي 13 فرعًا جامعيًا ودراسات عليا في الرياضيات أنظمة البرهنة الآلية في Lean 4، ليس من حيث النتيجة النهائية فحسب، بل أيضًا من حيث الإلمام بالمادة وجودة الاستدلال غير الرسمي والقدرة على التعامل مع إعادة صياغة الشروط. ويُظهر التحليل التفصيلي أن تحويل المسألة إلى صيغة رسمية لا يزال العقبة الأبرز، وأن النجاح يعتمد بشدة على فرع الرياضيات وطريقة صياغة المسألة.

9 نوفمبر 2026
AffordanceWAM: إمكانات الفعل كوسيط بين التنبؤ بالمشهد والتحكم في الذراع الروبوتية
البحوث

AffordanceWAM: إمكانات الفعل كوسيط بين التنبؤ بالمشهد والتحكم في الذراع الروبوتية

يصف العمل نموذجًا توليديًا يتنبأ في الوقت نفسه بمشاهدات RGB المستقبلية والحقول العددية والخرائط الحرارية لإمكانات التفاعل، وبأوامر الروبوت المستمرة، مستفيدًا من مقاطع الفيديو البشرية لزيادة تنوع التفاعلات دون الحاجة إلى تعليقات توضيحية للأفعال أو إعادة استهدافها. وفي RoboCasa وCALVIN ABC→D والمهام الواقعية، يحقق هذا النهج تحسنًا ثابتًا مقارنةً بالخطوط الأساسية المعتمدة على RGB فقط أو على بيانات الروبوت فقط.

9 نوفمبر 2026
يشرح الذكاء الاصطناعي تقييمه لمهارة الجراح من خلال فيديوهات عمليات إزالة المياه البيضاء