ClinixAI – Clinical Evidence Intelligence | Medical RAG System
تفاصيل العمل
ClinixAI هو نظام ذكي قائم على تقنية Retrieval-Augmented Generation (RAG)، تم تطويره لاسترجاع الأدلة والمعلومات السريرية من قاعدة معرفية موثوقة مبنية على إرشادات منظمة الصحة العالمية (WHO) الخاصة بـ Advanced HIV Disease لعام 2025.
يهدف المشروع إلى توفير طبقة بحث واسترجاع ذكية تساعد على الوصول إلى المعلومات الطبية ذات الصلة، مع تقليل مخاطر تقديم معلومات غير مدعومة من خلال تطبيق آلية Grounding تعتمد على تقييم درجة التشابه بين السؤال والأدلة المسترجعة.
### آلية عمل المشروع
يمر النظام بعدة مراحل مترابطة:
• معالجة واستخراج النصوص من ملفات PDF.
• تنظيف المحتوى وتجهيزه.
• تقسيم المستندات إلى Chunks مناسبة للاسترجاع.
• إنشاء Embeddings باستخدام نموذج BAAI/bge-m3.
• تخزين المتجهات في FAISS Vector Database.
• تحويل سؤال المستخدم إلى Vector وإجراء Semantic Similarity Search.
• استرجاع أفضل 5 أجزاء من المحتوى باستخدام Top-K Retrieval.
• تحليل Similarity Scores وتقييم مدى ارتباط النتائج بالسؤال.
• تطبيق Grounding Threshold بقيمة 0.70.
• إذا كانت درجة التشابه ≥ 0.70 يتم اعتبار السؤال مدعومًا بالأدلة (PASS).
• إذا كانت درجة التشابه < 0.70 يتم رفض السؤال (REFUSE) بدلًا من تقديم إجابة غير مدعومة.
### أهم مميزات المشروع
• Evidence-Grounded Retrieval
• Semantic Search
• BAAI/bge-m3 Embeddings
• FAISS Vector Database
• Top-K Evidence Retrieval
• Similarity & Threshold Analysis
• PASS / REFUSE Grounding Mechanism
• عرض الأدلة المسترجعة مع Source وPage وChunk ID وSimilarity Score
• واجهة تفاعلية باستخدام Streamlit
• Knowledge Base محلية بدون الاعتماد على البحث المباشر في الإنترنت
### التقنيات المستخدمة
Python – Streamlit – FAISS – BAAI/bge-m3 – Sentence Transformers – PyMuPDF – LangChain Text Splitters – Semantic Search – RAG
### النتيجة
تم بناء Pipeline متكامل يبدأ من معالجة المستندات وينتهي باسترجاع الأدلة وتقييمها، مع وجود آلية واضحة لمنع النظام من التعامل مع المعلومات غير الكافية باعتبارها دليلًا موثوقًا.
المشروع يمثل Prototype بحثيًا لنظام Clinical Evidence Retrieval، ولا يهدف إلى استبدال الأطباء أو اتخاذ القرارات الطبية بدلًا عن المختصين.