ثورة جديدة في تعلم التمثل الجدولي: استخدام نماذج لغوية كبيرة لدعم التفكير السريري متعدد الأنماط!

في عالم الذكاء الاصطناعي، يواجه تعلم الآلة (Machine Learning) لمجالات البيانات الجدولية تحديات كبيرة تتعلق بعدم قدرة النظام على التعامل مع التنوعات الهيكلية للبيانات، مما يعرقل فهم البيانات بشكل دقيق في مجالات حساسة مثل الطب السريري.

تسلط الدراسة الجديدة الضوء على استراتيجية مبتكرة تُدعى "Schema-Adaptive Tabular Representation Learning"، التي تعتمد على نماذج لغوية كبيرة (Large Language Models) لإنتاج تمثيلات جدولية قابلة للتحويل. يركز هذا الحل على تحويل المتغيرات الهيكلية إلى بيانات عبر بيانات لغوية طبيعية، ما يتيح اتفاقًا مباشرًا (zero-shot alignment) عبر هياكل غير مألوفة دون الحاجة إلى تكرير المعالجة أو تخطيط المزايا يدويًا.

تقوم هذه المنهجية بتطبيق نتائجها في تشخيص حالات الخرف عن طريق دمج البيانات الجدولية مع بيانات التصوير بالرنين المغناطيسي (MRI). وقد أظهرت التجارب على مجموعات بيانات NACC وADNI أداءً فائقًا، حيث تمكنت من تجاوز حدود الأساليب التقليدية، بما في ذلك تلك المعتمدة على خبرة أطباء الأعصاب المعتمدين.

إن النتائج المثيرة لهذه الدراسة تشير إلى أن المنهجية المعتمدة على النماذج اللغوية الكبيرة ليست فقط فعالة بل تقدم أيضًا حلاً مستدامًا ومرنًا للتعامل مع البيانات الحقيقية المتنوعة، مما يفتح الأبواب أمام تطبيقات أوسع في مجالات بيانات هيكلية أخرى.