بنا بر اعلام وب سایت مجله Digital Health، مقاله گروه هوش مصنوعی فرزان (FAIT)، با موضوع کاربرد تولید تقویت شده مبتنی بر بازیابی (RAG) در پزشکی جزو پرخواننده‌ترین و پراستنادترین مقالات در این مجله، قرار گرفته است. این مقاله تنها چند ماه پس از انتشار، هم اکنون جزو بهترین مقالات منتشر شده طی ۳ سال اخیر این مجله، قرار دارد. مجله Digital Health یکی از مجلات معتبر در زمینه سلامت دیجیتال است که توسط انتشارات SAGE منتشر می شود. RAG یکی از متدهای نوین در حوزه هوش مصنوعی جهت تقویت مدل‌های زبانی بزرگ است.

این دستاورد ارزشمند گروه هوش مصنوعی فرزان (FAIT)، علیرغم شرایط نامساعد و دشوار کشور به لحاظ جنگ، تحریم و قطعی اینترنت حاصل شده است و برای آن هیچ‌گونه حمایت یا منابع دولتی وجود نداشته است. گفتنی است متأسفانه تعدادی دیگر از طرح‌های ارزشمند گروه در سطح بین‌المللی، به دلیل شرایط نامطلوب فعلی، آسیب دیده است. خصوصاً قطعی طولانی‌مدت اینترنت، ضربه بزرگی به روند کار گروه هوش مصنوعی فرزان وارد ساخته است. تداوم این شرایط، ممکن است باعث توقف کامل برنامه‌های گروه شود.

عنوان مقاله:

Enhancing medical AI with retrieval-augmented generation: A mini narrative review

نام مجله:

Digital Health (Sage Journals)

این مقاله چه چیزی را پوشش می‌دهد؟

این مقاله مروری کوتاه بر Retrieval augmented generation  (RAG) تمرکز دارد – تکنیکی که قابلیت اطمینان مدل‌های زبانی بزرگ (LLM) را در محیط‌های پزشکی به طور چشمگیری بهبود می‌بخشد. به جای تکیه صرف بر دانش داخلی مدل (که ممکن است قدیمی یا نادرست باشد)،  RAG اطلاعات مرتبط و به‌روز را از منابع خارجی معتبر، پیش از تولید پاسخ، بازیابی می‌کند.

این مقاله سه مزیت کلیدی RAG را برای هوش مصنوعی پزشکی شناسایی می کند:

• کاهش خطای توهم (Hallucination) – مبتنی‌سازی پاسخ‌ها بر اسناد بازیابی‌شده، دقت واقعی را افزایش می‌دهد
• دانش به‌روز – پایگاه دانش خارجی بدون نیاز به بازآموزی مدل قابل به‌روزرسانی است
• شفافیت – پاسخ‌ها را می‌توان به اسناد منبع آنها بازگرداند

همچنین این مقاله سه کاربرد بالینی مهم را معرفی می‌کند که RAG در آنها نویدبخش بوده است:

• پشتیبانی از تصمیمات بالینی – تفسیر دستورالعمل‌ها در لحظه ارائه خدمت
• کمک به تشخیص – بهبود دقت با بازیابی معیارهای مرتبط و داده‌های موارد مشابه
• غربالگری کارآزمایی‌های بالینی – تطبیق خودکار بیماران با کارآزمایی‌ها به شکلی کارآمد

در فرزان، ما متعهد به ساختن هوش مصنوعی ایمن، شفاف و مؤثر برای مراقبت‌های سلامت هستیم. این مقاله نشان‌دهنده پایه تحقیقاتی است که مسیر توسعه ما را هدایت می‌کند. این موفقیت و شناخت به ما می‌گوید که روی مشکلات درست، با راه‌حل‌های درست متمرکز شده‌ایم.

تقدیر و تشکر:

ما از تیم تحریریه Digital Health، داوران و همه کسانی که کار ما را خوانده و به آن استناد کرده‌اند، تشکر می‌کنیم.

مطالعه مقاله:

🔗 دسترسی به متن کامل مقاله:

https://journals.sagepub.com/doi/full/10.1177/20552076251337177

ارجاع (Citation):

Gargari OK, Habibi G. Enhancing medical AI with retrieval-augmented generation: a mini narrative review. Digital health. 2025 Apr; 11: 20552076251337177.