Fine-tunning LLM For MRI Report Generation

قمت بتطوير نظام متكامل يعتمد على الذكاء الاصطناعي لتوليد التقارير الطبية الخاصة بصور **MRI للدماغ** بشكل آلي، من خلال دمج تقنيات **Computer Vision** و**Large Language Models (LLMs)** في خط معالجة (End-to-End Pipeline).

يبدأ النظام باستقبال صورة الـ MRI ثم تنفيذ عمليات **Preprocessing** مثل التطبيع (Normalization) وتغيير حجم الصورة (Resizing) وتحسين جودة البيانات. بعد ذلك يتم استخدام نموذج **Xception** لتصنيف الصورة إلى أربع فئات (Glioma، Meningioma، Pituitary، أو No Tumor). وفي حالة اكتشاف ورم، يتم تمرير الصورة إلى نموذج **U-Net** لإجراء **Brain Tumor Segmentation** واستخراج القناع (Tumor Mask) وتحديد موقع الورم ومساحته والخصائص المهمة اللازمة للتقرير.

بعد استخراج هذه المعلومات، يتم إنشاء **Structured Prompt** يحتوي على نتائج التصنيف وبيانات الورم، ثم يُرسل إلى نموذج لغوي **DeepSeek-R1-Distill-Qwen-1.5B** بعد إجراء **QLoRA Fine-Tuning** عليه، ليقوم بتوليد تقرير طبي منظم يتضمن **Technique، Findings، وImpression** بصيغة مشابهة لتقارير أطباء الأشعة.

كما قمت بتطوير **Chatbot طبي** يعتمد على تقنية **Retrieval-Augmented Generation (RAG)**، حيث يستطيع الإجابة عن استفسارات المستخدمين بالاعتماد على قاعدة معرفية من المراجع والوثائق الطبية بدلاً من الاعتماد على المعرفة العامة للنموذج فقط، مما يوفر إجابات أكثر دقة وارتباطًا بالسياق الطبي.

**التقنيات المستخدمة:** Python، PyTorch، TensorFlow، OpenCV، MONAI، Hugging Face Transformers، LangChain، LangGraph، LlamaIndex، RAG، QLoRA Fine-Tuning، FAISS، ChromaDB، DeepSeek-R1-Distill-Qwen، FastAPI، React.js، SQL، MLflow، Git & GitHub.