باید بدانید که در تشخیص بیماری‌های فوق‌کمیاب، مقیاس‌پذیری خشن دیگر پاسخگو نیست. تصور کنید سیستمی که بدون نیاز به میلیاردها داده، در تشخیص بیماری‌هایی با شیوع کمتر از یک در میلیون نفر، مدل‌های غول‌پیکر را شکست می‌دهد.
تشخیص بیماری‌های فوق‌کمیاب معمولاً به دانش تخصصی عمیق و جست‌وجوی جامع نیاز دارد. رویکردهای فعلی سعی می‌کنند با افزایش حجم داده، تعداد عامل‌ها (Agents) یا گسترش پایگاه‌های بازیابی، این مشکل را حل کنند؛ اما نتیجه اغلب سیستم‌های «جعبه سیاه» است که بازبینی آن‌ها برای پزشکان دشوار است. همان‌طور که در تحلیل‌های پیشین ما درباره محدودیت‌های قوانین مقیاس‌پذیری در دامنه‌های تخصصی اشاره کردیم، حجم داده به تنهایی تضمین‌کننده دقت در محیط‌های کم‌داده نیست.
در ۱۶ ژوئن ۲۰۲۶، چارچوب LiteOdyssey معرفی شد. این سیستم یک مدل استدلالی (Reasoning Model) سبک‌وزن است که از روش تکرار سیاست با بازخورد انسانی (PIHF) بهره می‌برد. به نقل از گزارش arxiv.org، این چارچوب بدون نیاز به تنظیم دقیق (Fine-tuning) یا مجموعه‌های پیچیده عامل‌محور، با استفاده از دسترسی پویا به ابزارهای بیومدیکال عمومی، نتایج زیر را ثبت کرد:
- دستیابی به Recall@1 کلی ۵۹.۳ درصدی در ۱۲۴۳ مورد از مجموعه‌های LIRICAL و PhenoPacket Store.
- ثبت Recall@1 ۶۰.۷ درصدی در زیرمجموعه دشوار PhenoPacket (جایی که بیماری‌های علّی به Orphanet متصل نبودند).
- ایجاد شکاف عملکردی عظیم در برابر GPT-5.4 که در همان زیرمجموعه و بدون دسترسی به ابزار، تنها ۱۰.۷ درصد Recall@1 کسب کرد.
این نتایج، دگم «قوانین مقیاس‌پذیری» (Scaling Laws) را در هوش مصنوعی پزشکی به چالش می‌کشد. اولویت دادن به زنجیره تفکر (Chain-of-Thought) و سیاست‌های تشخیص بر تعداد پارامتر یا حجم دیتابیس، سیستمی شفاف‌تر و قابل‌نگهدارتر ساخته است. برای جامعه فنی، این بدان معناست که سیاست‌های استدلالی ساختاریافته، مسیری بهینه‌تر برای رسیدن به عملکرد سطح متخصص در دامنه‌های کم‌داده هستند.
طبق مستندات پژوهشی، این مدل در داده‌های واقعی و مدل‌های با وزن‌های باز (Open Weights) کوچک‌تر نیز نتایج ثابتی داشته است؛ این یعنی مدل‌های تشخیصی با کارایی بالا به‌زودی می‌توانند به‌صورت محلی بر روی سخت‌افزارهای کلینیکی اجرا شوند.
گام بعدی شما
- رصد انتشار پارامترهای سیاست PIHF برای بررسی امکان انتقال این زنجیره استدلال به سایر حوزه‌های تخصصی پزشکی.
- بررسی جایگزینی مدل‌های غول‌پیکر با ترکیب «مدل‌های کوچک + سیاست‌های استدلالی ساختاریافته» در پروژه‌های تخصصی.
- ارزیابی ابزارهای بیومدیکال عمومی برای ادغام در جریان‌های کاری عامل‌محور (Agentic).
ama داستان سخت‌افزاری این تحول و کاهش هزینه استنتاج (Inference) حتی شگفت‌انگیزتر است — به تحلیل ما درباره بهینه‌سازی‌های رایانش لبه مراجعه کنید.
گفتگو