بقلم: نور | محررة الأبحاث والدراسات · صوت تحريري بإشراف بشري
الثقة هي العائق الحقيقي أمام الذكاء الاصطناعي في الطب، لا الدقة. أنظمة تصنيف أشعة الصدر تعمل بكفاءة عالية اليوم، لكن الطبيب لا يعرف لماذا توصّل النموذج إلى ما توصّل إليه — وهذا وحده كافٍ لإبطاء اعتمادها سريرياً. ورقة بحثية نُشرت على arXiv في 27 يوليو 2026 تقترح مساراً مختلفاً: بدلاً من إضافة طبقة لغوية فوق نموذج غامض، لماذا لا نبني النموذج من الأساس على وحدات رياضية قابلة للتفسير؟
هذا هو المنطق الذي تقوم عليه KANEx، الإطار الذي طوّره فريق من سبعة باحثين بقيادة Krithi Shailya بمشاركة Ananya Lakshmi Ravi وSowmya S. Sundaram وGokul S. Krishnan وزملائهم. الإطار يرتكز على شبكات كولموغوروف-أرنولد (KANs)، وهي بنية معمارية تستخدم دوال spline قابلة للتفسير بدلاً من الأوزان الثابتة في الشبكات العصبية التقليدية، مما يجعل كل وحدة فيها تمثّل دالة رياضية يمكن فحصها وفهمها مباشرة.
المشكلة التي يعالجها الفريق ليست جديدة: نماذج رؤية الحاسوب المخصصة للتطبيقات الطبية تُقرن حالياً بنماذج لغة بصرية (VLMs) لتوليد تفسيرات بالنص الطبيعي. لكن هذا الأسلوب يضيف طلاقة لغوية دون أن يعالج غموض النموذج البصري الأصلي — أي أن الكلمات تبدو مقنعة حتى حين تكون التفسيرات غير مرتبطة فعلياً بما لاحظه النموذج في الصورة. KANEx يقلب هذه المعادلة بجذر السياق اللغوي في المعالجة البصرية الشفافة، لا العكس.
الإطار يتضمن مكوّنين أساسيين: الأول هو توظيف KANs كعمود فقري للاستخلاص البصري مع الحفاظ على قواعد ResNet أو ViT كخطوط أساسية، والثاني هو KAN-Map — طريقة جديدة لتوليد خرائط حرارية (heatmaps) مشتقة مباشرةً من بنية KAN بدلاً من الاعتماد على تقريبات التدرج التقليدية كـ Grad-CAM. هذه الخرائط تحدد المناطق التشريحية التي أثّرت فعلياً في قرار النموذج، ثم تُمرَّر هذه السياقات المرسّخة إلى نماذج VLM التي تولّد التفسير النصي.
الاختبار جرى على مجموعة بيانات MIMIC-CXR، المرجع القياسي في أبحاث أشعة الصدر، وأظهرت النتائج (وفقاً للورقة البحثية) تحسّناً بنسبة 10% في جودة التوطين البصري والاستنتاج اللاحق عند اعتماد بنى KAN مقارنةً بالبنى التقليدية المماثلة، إلى جانب تشابه دلالي أعلى في التفسيرات النصية المولَّدة وخرائط حرارية أكثر أمانةً في تمثيل منطق النموذج الفعلي.
ما يميّز هذا العمل عن موجة XAI (Explainable AI) السابقة هو نقطة الانطلاق. معظم أساليب التفسيرية السابقة تعمل بعد التدريب — تحاول استنطاق نموذج مكتمل ومغلق. KANEx يجعل القابلية للتفسير خاصية معمارية مدمجة في صميم النموذج منذ البداية، ما يعني أن التفسير ليس تقريباً بل انعكاس مباشر للحسابات الداخلية.
يستحق الإشارة هنا أن الورقة تُقرّ ضمنياً بوجود قيود: التحسين المُسجَّل بنسبة 10% يخصّ التوطين البصري والاستنتاج، لكن الورقة لا تُقدّم مقارنة شاملة لأداء التصنيف الطبي الخام بين KANEx والأنظمة الراهنة المُستخدمة سريرياً. كذلك لا تتطرق إلى تكلفة الحساب أو سرعة الاستدلال، وهما متغيران حاسمان في البيئات الإكلينيكية الفعلية. مسافة الطريق من الورقة البحثية إلى نظام مُدمج في منظومة رعاية صحية لا تزال طويلة.
مع ذلك، الرهان الفكري الذي تطرحه الورقة يستحق الاهتمام: حين يصدر تفسير عن وحدات رياضية يمكن التحقق منها، لا عن طبقات لغوية مضافة فوق صندوق أسود، يتغير مستوى المساءلة جذرياً. وفي طب التصوير الإشعاعي تحديداً — حيث خطأ واحد قد يعني تفويت ورم أو إجراء جراحة غير ضرورية — هذا التمييز ليس فلسفياً، بل يمسّ أرواحاً.
