الملخص أصبح الذكاء الاصطناعي أداة واعدة لدعم تفسير صور الثدي، ولا سيما صور الماموغرام، بفضل قدرته على تحليل أنماط دقيقة قد يصعب تمييزها بصريًا. غير أن هذه القدرة تطرح مفارقة علمية: فقد تعكس الأنماط المكتشفة تغيرات مرتبطة بالمرض، وقد تمثل خصائص تقنية أو ارتباطات عرضية لا تعبّر عن وجود سرطان. تستخدم هذه المقالة تعبير «مفارقة البصمة الخفية» بوصفه إطارًا تفسيريًا لهذه الازدواجية، وليس مصطلحًا تشخيصيًا معتمدًا. وتناقش الأدلة على فائدة الذكاء الاصطناعي في الكشف، ومخاطر التعلّم الاختصاري والانحياز للأتمتة، وأهمية التحقق السريري لضمان أن تتحول الدقة الحسابية إلى فائدة حقيقية للمريضة. الكلمات المفتاحية: تصوير الثدي، الماموغرام، الذكاء الاصطناعي، التعلم العميق، التعلّم الاختصاري، الانحياز للأتمتة، الكشف المبكر. المقدمة توضح الدراسات أن الذكاء الاصطناعي يمكن أن يدعم الكشف عن سرطان الثدي، لكن فهم ما يتعلمه النموذج يظل مسألة أساسية. ففي دراسة لتطوير نموذج للتعلم العميق، استطاع النظام تحديد سرطانات في صور ماموغرام سابقة كانت قد قُرئت سريريًا على أنها سلبية. وتدعم هذه النتيجة إمكانية وجود معلومات قابلة للاستخراج حسابيًا قبل أن تصبح العلامات واضحة في القراءة المعتادة، دون أن تثبت تفوق جميع الأنظمة في كل الظروف. ويبرز هنا السؤال الذي تقوم عليه المقالة: هل يلتقط النموذج علامة مرضية دقيقة، أم يستند إلى إشارة أخرى ترتبط بالمرض داخل بيانات التدريب فقط؟ أظهرت أبحاث في الذكاء الاصطناعي الطبي أن خصائص اقتناء البيانات قد تتحول إلى اختصارات تنبؤية تُضعف الأداء عند الانتقال إلى بيئة مختلفة. أولًا: ما المقصود بالبصمة الخفية؟ يمكن فهم البصمة الخفية باعتبارها معلومات داخل الصورة يستخدمها النموذج في حساباته، رغم أنها قد لا تظهر للقارئ البشري كعلامة مستقلة واضحة. وقد تكون هذه المعلومات مفيدة طبيًا؛ إذ أظهرت دراسة على الماموغرام والتصوير المقطعي للثدي قدرة نموذج على اكتشاف بعض السرطانات في صور سابقة سلبية سريريًا. لكن الخفاء وحده لا يمنح الإشارة قيمة مرضية. فقد يتعلم النموذج فروقًا في التباين أو المعالجة أو ظروف الاقتناء، ثم يستخدمها بديلًا عن السمات المتعلقة بالمهمة الطبية. ولهذا يمكن أن تنتج الدرجة المرتفعة عن دليل مرضي أو عن ارتباط مضلل، ويجب التمييز بين الاحتمالين تجريبيًا. ثانيًا: متى يضيف الذكاء الاصطناعي قيمة إلى الكشف؟ تأتي الأدلة الأقوى من الدراسات التي تختبر النظام داخل مسار الفحص الفعلي. ففي تجربة MASAI العشوائية، استُخدم الذكاء الاصطناعي لتوجيه الفحوص إلى قراءة واحدة أو قراءتين، ولتمييز النتائج المشتبه بها. وأظهر تحليل نُشر عام 2025 زيادة في الكشف عن السرطان وانخفاضًا في عبء قراءة الصور مقارنة بالقراءة المزدوجة المعتادة. وتتعلق النتيجة بنظام محدد وطريقة دمج محددة، وليست حكمًا عامًا على كل أدوات الذكاء الاصطناعي. كما وجدت دراسة تطبيقية واسعة في برنامج فحص ألماني أن القراءة المزدوجة المدعومة بالذكاء الاصطناعي ارتبطت بارتفاع معدل اكتشاف السرطان دون تأثير سلبي في معدل الاستدعاء للفحوص الإضافية. وبحكم تصميمها الرصدي، فإنها تقدم دليلًا عمليًا مهمًا، مع ضرورة مراعاة اختلافها عن التجارب العشوائية. ثالثًا: عندما تتحول البصمة إلى اختصار مضلل يحدث التعلّم الاختصاري (Shortcut Learning) عندما يعتمد النموذج على ارتباط سهل داخل البيانات بدلًا من السمات التي يُفترض أن تحدد المرض. فإذا ارتبط مصدر الصور أو أسلوب معالجتها بنسب مختلفة من الحالات الإيجابية، فقد يتعلم النموذج التعرف على المصدر، ثم يستخدمه في توقع التشخيص. وقد وثّقت دراسة متعددة الوسائط الطبية أثر انحياز اقتناء البيانات في المبالغة بتقدير الأداء وضعف التعميم الخارجي. وفي بحث أولي متخصص بالماموغرام، حقق نموذج دُرّب على صور علامات اتجاه التصوير وحدها، دون نسيج الثدي، قدرة تمييز أعلى من المصادفة. توضح هذه النتيجة إمكانية استخراج معلومات مضللة من عناصر خارج النسيج، لكنها واردة في مسودة بحثية أولية، ولذلك ينبغي التعامل معها ضمن حدودها. رابعًا: لماذا قد لا يستمر النجاح خارج بيانات الاختبار؟ قد يبدو النموذج دقيقًا عندما تكون بيانات الاختبار شبيهة ببيانات تدريبه، ثم يتراجع أداؤه عند تغير الأجهزة أو بروتوكولات التصوير أو مسارات جمع البيانات. ويصبح هذا التراجع مفهومًا إذا كانت بعض تنبؤاته تعتمد على خصائص تقنية محلية لا تستمر في المستشفى الجديد. لذلك فإن الاختبار الداخلي وحده لا يكشف بالضرورة مدى صلاحية النموذج للاستخدام الأوسع. والاستنتاج المنهجي هو أن نجاح النظام يجب أن يُختبر في البيئة التي سيعمل فيها، مع تحليل أسباب الخطأ، بدل الاكتفاء بدرجة أداء مجمعة قد تخفي اختلافات مهمة بين مصادر البيانات. خامسًا: عندما يؤثر خطأ الآلة في حكم الطبيب لا تتوقف المخاطر عند تنبؤ النموذج؛ فقد تؤثر توصيته في تفسير الطبيب للصورة. ويُعرف الميل إلى قبول اقتراح النظام الآلي باسم الانحياز للأتمتة (Automation Bias). في تجربة منشورة في مجلة Radiology عام 2023، قرأ 27 اختصاصي أشعة صور ماموغرام مع اقتراحات لتصنيف BI-RADS من نظام قُدّم لهم على أنه ذكاء اصطناعي، وتضمنت بعض الاقتراحات أخطاء متعمدة. تأثر القراء بمختلف مستويات خبرتهم بهذه الاقتراحات، ما يوضح أن وجود طبيب ضمن المسار لا يمنع الخطأ تلقائيًا؛ بل يجب تقييم تفاعل الطبيب مع النظام نفسه. سادسًا: كيف نختبر أن البصمة مفيدة فعلًا؟ تقود الأدلة السابقة إلى متطلبات عملية لتقييم الأنظمة: التحقق الخارجي: اختبار الأداء على بيانات من مؤسسات وبيئات تصوير مستقلة. فحص الاختصارات: التحقق من اعتماد النموذج على نسيج الثدي والمعلومات ذات الصلة، ودراسة أثر العلامات والمعالجة ومصدر البيانات. التقييم السريري المستقبلي: قياس أثر النظام في الكشف والاستدعاء وعبء العمل داخل الممارسة الفعلية. تقييم الفريق البشري والآلي: دراسة الحالات التي تحسّن فيها التوصية القرار، والحالات التي تدفع فيها الطبيب إلى الخطأ. هذه المتطلبات مستخلصة من نتائج دراسات التعميم والتطبيق السريري والانحياز للأتمتة، وهي تساعد على ربط أداء النموذج بسلامة استخدامه. الخاتمة تكمن مفارقة البصمة الخفية في أن المعلومات التي تمنح الذكاء الاصطناعي قدرة على اكتشاف أنماط دقيقة قد تمنحه أيضًا فرصة لتعلم ارتباطات مضللة. لذلك لا يكفي أن يسجل النظام دقة مرتفعة؛ بل يجب التحقق من استمرار فائدته عبر البيئات المختلفة ومن أثره في القرار السريري. وتشير الأدلة إلى إمكانات مهمة لدعم تصوير الثدي، شرط تقييم النموذج وطريقة استخدامه بوصفهما جزءًا واحدًا من منظومة الرعاية. جامعة المستقبل – الجامعة الأولى في العراق