ابتكار جديد في الذكاء الاصطناعي لحماية الخصوصية الطبية بدقة 99%

في تطور علمي كبير يهدف إلى حماية خصوصية البيانات الطبية، نجح فريق بحثي ألماني بقيادة الدكتور جاكوب كاثر في تطوير أداة ذكاء اصطناعي تعتمد على نماذج اللغة الكبيرة (LLMs) لإخفاء المعلومات الشخصية في السجلات الطبية تلقائيًا. الأداة المسماة "LLM-Anonymizer" حققت نسبة دقة بلغت 99.24% في إخفاء البيانات الحساسة، مما يعتبر إنجازًا واعدًا يساهم في تعزيز أمان المعلومات الصحية.

تأتي هذه الأداة لمعالجة التحديات الكبيرة التي كانت تواجهها الأبحاث الطبية في التعامل مع السجلات الإلكترونية (EHRs)، حيث كانت الطرق التقليدية تعتمد على المراجعة اليدوية البطيئة والمكلفة، بالإضافة إلى ضعف أدوات التعرف على الكيانات (NER) في فهم السياق. ومع استخدام نماذج ذكاء اصطناعي متطورة مثل Llama-3 وMistral، استطاع الباحثون التغلب على هذه العقبات، مقدمين حلاً ذكياً يعمل دون اتصال بالإنترنت لضمان أمان البيانات.

آلية عمل الأداة تعتمد على استخراج النص من المستندات بصيغ مختلفة (PDF، Word، نصوص عادية)، ومن ثم تجزئته وتحليله لتحديد المعلومات الشخصية مثل الأسماء والعناوين وتواريخ الميلاد، قبل إخفائها تلقائيًا مع الحفاظ على البيانات الطبية ذات القيمة البحثية.

وفقًا لدراسة منشورة في المجلة الأمريكية للتغذية السريرية، تفوقت LLM-Anonymizer بشكل ملحوظ على أدوات مشابهة مثل CliniDeID وPresidio. فقد حقق نموذج Llama-3 70B نسبة دقة بلغت 99.24% في إخفاء المعلومات الحساسة في 230 من أصل 250 مستندًا، بينما كانت نسبة الأخطاء 0.76% فقط. أما النماذج الأخرى مثل Llama-3 8B، فجاءت في المرتبة الثانية، في حين حققت نماذج Mistral وPhi-3 Mini نتائج جيدة ولكنها أقل دقة.

تتميز الأداة بعدة مزايا منها السرعة في معالجة البيانات، والقدرة على دعم صيغ مختلفة، وسهولة الاستخدام من خلال واجهة ويب بسيطة. كما أنها تتوافق مع المعايير الدولية مثل اللائحة العامة لحماية البيانات (GDPR) وقانون التأمين الصحي HIPAA في الولايات المتحدة.

رغم هذا النجاح الكبير، يواجه المشروع تحديات في توسيع نطاق دعمه للغات غير الألمانية، بالإضافة إلى ضرورة تحسين الدقة في التعرف على الأسماء النادرة والعناوين المعقدة. يعمل الفريق حاليًا على تحسين الأداء وإضافة ميزات جديدة مثل التعرف على خط الأطباء في المستندات الممسوحة ضوئيًا، مع خطط للتعاون مع المستشفيات لتطبيق الأداة على نطاق واسع.

من خلال إتاحة الأداة كمشروع مفتوح المصدر على منصة GitHub، يتطلع الباحثون إلى تلقي مساهمات من مجتمع التكنولوجيا الطبية لتحسينها وتوسيع نطاق استخدامها، مما يمهد الطريق لمستقبل أكثر أمانًا للبيانات الطبية حول العالم.