DOI: https://doi.org/10.1038/s41746-025-01461-0
PMID: https://pubmed.ncbi.nlm.nih.gov/39870855
تاريخ النشر: 2025-01-27
المؤلف: Ruiqi Ma وآخرون
الموضوع الرئيسي: تصوير الشبكية والتحليل
نظرة عامة
تقدم البحث تطوير وتقييم نظام التشخيص التفاعلي الذكي متعدد الوسائط المعتمد على ChatGPT (IOMIDS)، المصمم لتسهيل التشخيص الذاتي والتصنيف الذاتي للمرضى في الأمراض العينية باستخدام كل من البيانات النصية والصور. يدمج النظام نموذج نصي مع ثلاث تكوينات متعددة الوسائط: نص مقترن بصور مصباح الشق، نص مع صور الهواتف الذكية، ومزيج من كلا نوعي الصور. تم إجراء التقييم من خلال دراسة مقطعية على مرحلتين عبر ثلاثة مراكز طبية، تشمل 10 تخصصات فرعية و50 مرضًا، باستخدام مجموعة بيانات تحتوي على 15,640 إدخالًا.
تشير النتائج إلى أن نموذج النص + الهاتف الذكي حقق أعلى دقة تشخيصية، مع دقتين داخليتين وخارجيتين بنسبة 79.6% و81.1%، على التوالي. في المقابل، إما أن النماذج متعددة الوسائط الأخرى أدت أداءً أقل أو تطابقت مع أداء نموذج النص فقط، الذي كانت دقتاه الداخليتان والخارجيتان 69.6% و72.5%. من الجدير بالذكر أن دقة التصنيف ظلت ثابتة عبر جميع النماذج. يبرز البحث إمكانيات الذكاء الاصطناعي متعدد الوسائط المعتمد على الدردشة لتحسين جودة الاستجابة وتقليل المعلومات المضللة في سياق التشخيص الذاتي والتصنيف الذاتي للحالات العينية. التجربة السريرية المرتبطة بهذا البحث مسجلة على ClinicalTrials.gov (NCT05930444).
طرق
يستعرض قسم “الطرق” المواد والمنهجيات المستخدمة في الدراسة. يوضح التصميم التجريبي، بما في ذلك اختيار المواد، وتحضير العينات، والتقنيات المحددة المستخدمة لجمع البيانات وتحليلها. يبرز القسم أهمية القابلية للتكرار والدقة في النهج التجريبي، مما يضمن إمكانية التحقق من النتائج من قبل باحثين آخرين.
بالإضافة إلى ذلك، يتم وصف الطرق بطريقة منهجية، مع تسليط الضوء على أي تحليلات إحصائية تم إجراؤها لتفسير البيانات. يشمل ذلك استخدام برامج أو خوارزميات محددة، بالإضافة إلى المعايير لتقييم أهمية النتائج. بشكل عام، يخدم القسم لتوفير نظرة شاملة على الإطار المنهجي الذي يدعم نتائج البحث.
نتائج
يقدم قسم “النتائج” من ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. يسلط الضوء على الاتجاهات البيانية المهمة، والنتائج الإحصائية، وأي علاقات ملحوظة بين المتغيرات. عادة ما تكون النتائج مصحوبة بأشكال أو جداول أو معادلات ذات صلة توضح النتائج بوضوح.
قد يناقش القسم أيضًا تداعيات النتائج فيما يتعلق بالفرضيات المطروحة سابقًا في الدراسة، مما يوفر تقييمًا نقديًا لكيفية دعم البيانات أو تعارضها مع النظريات الموجودة. بشكل عام، تعتبر النتائج أساسًا للنقاشات والاستنتاجات اللاحقة التي تم التوصل إليها في الورقة، مما يبرز مساهمة البحث في هذا المجال.
نقاش
في هذه الدراسة، تم تطوير وتقييم نظام IOMIDS باستخدام مجموعة بيانات شاملة تحتوي على 15,640 إدخالًا من 9,825 موضوعًا عبر ثلاثة مراكز. تم تقسيم مجموعة البيانات إلى مجموعات تطوير النموذج، والتقييم الصامت، ومجموعات التجارب السريرية، مع التركيز على التواصل بين الطبيب والمريض وتشخيص الصور. تم تدريب النموذج النصي باستخدام حوارات مصنفة بين الطبيب والمريض، محققًا دقات تشخيصية متفاوتة، وخاصة أداءً أقل للأمراض الرئيسية في الجزء الأمامي مثل إعتام عدسة العين، والتهاب القرنية، والظفرة. أظهر النموذج دقة تصنيف عالية (88.3%) مقارنةً بالدقة التشخيصية (84.0%)، مما يدل على فعاليته في توجيه رعاية المرضى.
أظهر النموذج متعدد الوسائط، الذي يدمج كل من البيانات النصية والصورية، تحسينات كبيرة في الدقة التشخيصية مقارنةً بنموذج النص الأحادي. على وجه الخصوص، حقق نموذج النص + الهاتف الذكي حساسية ونوعية أعلى عبر مختلف الأمراض، وخاصة في تشخيص إعتام عدسة العين. على الرغم من بعض الانخفاض في دقة التصنيف مع النماذج متعددة الوسائط، إلا أنها لا تزال تلبي الأهداف السريرية للتصنيف في عدة تخصصات فرعية. تبرز الدراسة أهمية استجابات المرضى الكاملة لدقة التشخيص وتقترح أنه بينما قد لا يلبي النموذج النصي تمامًا احتياجات التشخيص السريري، فإنه يدعم بشكل فعال عمليات التصنيف. ستركز الأعمال المستقبلية على تحسين القدرات متعددة الوسائط لتعزيز الأداء التشخيصي بشكل أكبر.
DOI: https://doi.org/10.1038/s41746-025-01461-0
PMID: https://pubmed.ncbi.nlm.nih.gov/39870855
Publication Date: 2025-01-27
Author(s): Ruiqi Ma et al.
Primary Topic: Retinal Imaging and Analysis
Overview
The research presents the development and evaluation of the ChatGPT-powered Intelligent Ophthalmic Multimodal Interactive Diagnostic System (IOMIDS), designed to facilitate patient self-diagnosis and self-triage in ophthalmic diseases using both textual and imaging data. The system integrates a text model with three multimodal configurations: text combined with slit-lamp images, text with smartphone images, and a combination of both imaging modalities. The evaluation was conducted through a two-stage cross-sectional study across three medical centers, encompassing 10 subspecialties and 50 diseases, utilizing a dataset of 15,640 entries.
The findings indicate that the text + smartphone model achieved the highest diagnostic accuracy, with internal and external accuracies of 79.6% and 81.1%, respectively. In contrast, the other multimodal models either underperformed or matched the performance of the text-only model, which had internal and external accuracies of 69.6% and 72.5%. Notably, triage accuracy remained consistent across all models. The study underscores the potential of chatbot-based multimodal AI to enhance response quality and mitigate misinformation in the context of self-diagnosis and self-triage for ophthalmic conditions. The clinical trial associated with this research is registered on ClinicalTrials.gov (NCT05930444).
Methods
The “Methods” section outlines the materials and methodologies employed in the study. It details the experimental design, including the selection of materials, sample preparation, and the specific techniques utilized for data collection and analysis. The section emphasizes the importance of reproducibility and rigor in the experimental approach, ensuring that the findings can be validated by other researchers.
Additionally, the methods are described in a systematic manner, highlighting any statistical analyses performed to interpret the data. This includes the use of specific software or algorithms, as well as the criteria for evaluating the significance of results. Overall, the section serves to provide a comprehensive overview of the methodological framework that underpins the research findings.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments or analyses. It highlights significant data trends, statistical outcomes, and any observed relationships between variables. The results are typically accompanied by relevant figures, tables, or equations that illustrate the findings clearly.
The section may also discuss the implications of the results in relation to the hypotheses posed earlier in the study, providing a critical evaluation of how the data supports or contradicts existing theories. Overall, the results serve as a foundation for the subsequent discussion and conclusions drawn in the paper, emphasizing the contribution of the research to the field.
Discussion
In this study, the IOMIDS system was developed and evaluated using a comprehensive dataset of 15,640 entries from 9,825 subjects across three centers. The dataset was divided into model development, silent evaluation, and clinical trial datasets, with a focus on doctor-patient communication and image diagnostics. The text model was trained using categorized doctor-patient dialogs, achieving varying diagnostic accuracies, particularly underperforming for primary anterior segment diseases like cataract, keratitis, and pterygium. The model demonstrated high triage accuracy (88.3%) compared to diagnostic accuracy (84.0%), indicating its effectiveness in guiding patient care.
The multimodal model, integrating both text and image data, showed significant improvements in diagnostic accuracy over the unimodal text model. Specifically, the text + smartphone model achieved higher sensitivity and specificity across various diseases, particularly in cataract diagnoses. Despite some decrease in triage accuracy with multimodal models, they still met clinical goals for triaging in several subspecialties. The study highlights the importance of complete patient responses for diagnostic accuracy and suggests that while the text model may not fully meet clinical diagnostic needs, it effectively supports triage processes. Future work will focus on refining the multimodal capabilities to enhance diagnostic performance further.