MAI-DxO من مايكروسوفت: حين يشخّص فريق من وكلاء الذكاء الاصطناعي الحالات المعقّدة

نشرت مجلة Science يوم 22 أكتوبر 2026 ورقة بحثية عن نظام من مايكروسوفت اسمه MAI-DxO، وهو ليس نموذجاً واحداً يجيب عن سؤال طبي، بل لجنة من وكلاء الذكاء الاصطناعي تعمل معاً مثل فريق أطباء. تسأل المريض، وتقرّر أي فحوص تطلب، وتتناقش فيما بينها قبل أن تعلن التشخيص. وبحسب الورقة، شخّص النظام 83% من الحالات المعقّدة المنشورة في مجلة NEJM بشكل صحيح، بينما بلغت نسبة أطباء الرعاية الأولية الذين عملوا منفردين 36% فقط. هذا الفارق الكبير يستحق قراءة هادئة، لأن الرقم وحده لا يحكي القصة كاملة.

ما هو MAI-DxO بالضبط؟

الفكرة المركزية أن التشخيص الصعب لا يُحلّ بإجابة واحدة سريعة، بل بسلسلة قرارات: ماذا أسأل أولاً؟ ما الفحص الذي يقلّل الشك أكثر من غيره؟ هل أكتفي بما عندي أم أحتاج معلومة إضافية؟ لذلك صُمّم النظام كمجموعة وكلاء، لكلٍّ منهم دور يشبه دور عضو في لجنة طبية.

من الناحية العملية يقوم النظام بثلاثة أشياء رئيسية:

• استجواب المريض: يطرح أسئلة متتابعة بدل الاعتماد على ملخص جاهز للحالة.
• طلب الفحوص: يختار التحاليل والصور التي يراها مفيدة، وهو قرار له تكلفة حقيقية في الواقع.
• المناظرة الداخلية: يعرض الوكلاء فرضيات متنافسة ويعارضون بعضهم، ثم يستقرّون على تشخيص.

هذه البنية تُعرف في عالم البرمجيات بالأنظمة متعددة الوكلاء، وهي النمط نفسه الذي يتوسّع استخدامه في أدوات البرمجة والأتمتة، لكن نقله إلى الطب يرفع سقف المخاطر بدرجة كبيرة.

لماذا تهمّنا النسبة 83% مقابل 36%؟

المقارنة تبدو صادمة، لكن فهمها الصحيح يتطلب الانتباه إلى ظروفها. الحالات المستخدمة هي حالات معقّدة نُشرت في NEJM، وهي بطبيعتها أصعب من الحالات اليومية التي يراها طبيب الرعاية الأولية. كما أن الأطباء في المقارنة عملوا منفردين، بينما يعمل النظام بروح الفريق. أي أن الورقة تقارن بين لجنة آلية وطبيب وحيد، لا بين الذكاء الاصطناعي والطب كله.

الجانب	MAI-DxO	طبيب رعاية أولية منفرد
طريقة العمل	لجنة وكلاء تتناقش	قرار فردي
نسبة التشخيص الصحيح	83%	36%
نوع الحالات	حالات NEJM المعقّدة	الحالات نفسها
المسؤولية القانونية	غير محسومة	واضحة

السطر الأخير في الجدول هو الأهم عملياً، لأن الدقة وحدها لا تكفي لإدخال أي نظام إلى غرفة الكشف. من يتحمّل الخطأ إذا أخطأ النظام؟ وكيف يُراجَع قراره؟ هذه أسئلة تنظيمية وأخلاقية لم تحسمها ورقة بحثية واحدة.

الدقة العالية في اختبار محكوم لا تعني جاهزية سريرية. الجاهزية تعني أن يعمل النظام بأمان مع مرضى حقيقيين وبيانات ناقصة وضغط وقت.

ما الجديد تقنياً في هذا النهج؟

التفكير على مراحل بدل الإجابة المباشرة

معظم أنظمة الأسئلة الطبية السابقة كانت تتلقى وصفاً كاملاً للحالة وتعيد تشخيصاً. أما هنا فالنظام يبدأ بمعلومات ناقصة ويقرّر بنفسه ما يطلبه بعد ذلك، وهذا أقرب بكثير إلى الممارسة الفعلية. القدرة على معرفة ما لا نعرفه، ثم السؤال عنه، هي ما يميّز الطبيب الجيد.

التكلفة جزء من القرار

حين يطلب النظام فحصاً فهو يستهلك موارد، ولذلك يصبح اختيار الفحص المناسب مسألة توازن بين الدقة والتكلفة. هذا البعد الاقتصادي يجعل التجربة أقرب إلى واقع المستشفيات، حيث الإفراط في الفحوص مشكلة بحد ذاتها.

المناظرة تقلّل الأخطاء الفردية

وجود وكلاء يعارضون بعضهم يقلّل احتمال التمسّك بفرضية خاطئة منذ البداية، وهو ما يسمّيه الأطباء التحيّز المبكر للتشخيص الأول. لكن هذا لا يعني أن اللجنة معصومة، فقد يتفق وكلاء كثيرون على الخطأ نفسه إذا كانوا مبنيين على نموذج واحد.

ماذا يعني ذلك للمطوّرين؟

حتى لو لم تعمل في مجال الصحة، فهذا المشروع يقدّم درساً معمارياً مفيداً لأي تطبيق يعتمد على الوكلاء:

1. قسّم المهمة إلى أدوار: وكيل يجمع المعلومات، وآخر يقترح، وثالث ينقد.
2. اجعل السؤال خطوة أساسية: النظام الذي يسأل عند النقص أفضل من نظام يخمّن.
3. قِس التكلفة مع الدقة: عدد الاستدعاءات والأدوات جزء من جودة الحل.
4. أبقِ الإنسان في الحلقة: القرار النهائي في المجالات الحساسة يجب أن يبقى بيد مختص.
5. سجّل كل خطوة: إمكانية تتبّع سبب القرار شرط أساسي للثقة.

هذه النقاط تنطبق على مساعد خدمة عملاء كما تنطبق على نظام طبي، مع اختلاف كلفة الخطأ.

المخاطر والقيود التي لا يجب تجاهلها

أولاً، النتائج تخصّ حالات منشورة ومعروفة، وقد يكون جزء منها موجوداً في بيانات تدريب النماذج بطريقة أو بأخرى، وهو احتمال يناقشه الباحثون عادة عند تقييم أي نظام على حالات علنية. ثانياً، المرضى الحقيقيون لا يصفون أعراضهم بدقة، وقد يخفون معلومات أو ينسونها. ثالثاً، الأنظمة الطبية تحتاج موافقات تنظيمية وتجارب سريرية طويلة قبل الاستخدام الفعلي. رابعاً، يبقى خطر الاعتماد المفرط: إذا وثق الطبيب بالنظام أكثر مما ينبغي فقد يتوقف عن التفكير النقدي.

ولذلك فالتوصيف الأدق للنظام اليوم أنه أداة بحثية واعدة وليس بديلاً عن الطبيب. قيمته الأقرب هي دعم القرار: اقتراح فرضيات قد تغيب عن الذهن، أو تنبيه لفحص لم يُطلب.

أسئلة شائعة

هل يمكن استخدام MAI-DxO لتشخيص حالتي اليوم؟

لا. ما نُشر هو بحث علمي يقيّم النظام على حالات معقّدة، وليس خدمة متاحة للمرضى. وأي أعراض تقلقك يجب أن تُعرض على طبيب مختص.

هل يعني هذا أن الأطباء سيُستبدلون؟

ليس بحسب ما يظهر من الورقة. المقارنة كانت مع أطباء رعاية أولية يعملون منفردين على حالات صعبة، والمسار الأرجح هو تعاون بين الطبيب والنظام، مع بقاء المسؤولية والتواصل الإنساني بيد الطبيب.

ما علاقة هذا الخبر بالمطوّرين العرب؟

النمط المعماري، أي وكلاء متعددون بأدوار مختلفة ومناظرة داخلية وطلب معلومات عند النقص، يمكن تطبيقه في تطبيقات كثيرة من الدعم الفني إلى مراجعة الكود، وليس مقصوراً على الطب.

الخلاصة

يُظهر MAI-DxO أن تنظيم الذكاء الاصطناعي في صورة فريق وكلاء يتناقشون ويسألون ويختارون الفحوص قد يتفوّق على أسلوب الإجابة الواحدة في المهام المعقّدة، فالنتيجة المنشورة في Science بلغت 83% مقابل 36% لأطباء الرعاية الأولية المنفردين. لكن الطريق من ورقة بحثية إلى غرفة الكشف طويل، ويمر بالتجارب السريرية والتنظيم والمساءلة. الدرس الأوضح للمطوّرين هو أن جودة النظام لا تأتي من النموذج وحده، بل من طريقة تقسيم الأدوار وقياس التكلفة وإبقاء الإنسان مسؤولاً عن القرار النهائي.

المصادر: The Neuron، AI Weekly