متابعات: تخيّل مريضاً وافق قبل سنوات على استخدام بياناته الطبية في تدريب نظام ذكي يساعد الأطباء في اكتشاف الأمراض.
وهكذا دخلت صوره وفحوصه وتاريخه المرضي ضمن آلاف، وربما ملايين، السجلات التي استخدمت لبناء النموذج. ثم غيّر رأيه، وطلب سحب موافقته وحذف بياناته.

في قاعدة البيانات التقليدية يبدو الحل بسيطاً: يُحذف السجل وتنتهي القصة. لكن المشكلة تصبح أكثر تعقيداً عندما يكون النظام قد تعلّم بالفعل من تلك البيانات؛ فأثناء التدريب لا يحتفظ النموذج بالضرورة بسجل المريض كما تفعل قاعدة البيانات، بل تتغير معاملاته الداخلية استناداً إلى الأنماط التي استخلصها. وهكذا يمكن حذف الملف الأصلي، بينما يبقى جزء من أثره الإحصائي فيما تعلّمته الخوارزمية.

عندما لا يكفي زر «الحذف»

هل يمكن حذف ما تعلّمته الآلة أيضاً؟ هذا هو السؤال الذي طرحه باحثون في دراسة تحليلية حديثة نُشرت في 18 يوليو (تموز) 2026، في دورية «إن بي جيه ديجيتال ميديسن» (npj Digital Medicine)، التابعة لمحفظة «نيتشر» (Nature Portfolio)، بعنوان «محو التعلّم الآلي بوصفه ضرورة لحوكمة الذكاء الاصطناعي السريري».

وتناقش الدراسة مفهوم «محو التعلّم الآلي» (Machine Unlearning)، أي محاولة إزالة تأثير بيانات محددة من نموذج سبق تدريبه، من دون الحاجة بالضرورة إلى إعادة تدريبه بالكامل من نقطة الصفر.

وإذا نجحت هذه الفكرة عملياً، فقد تضيف إلى الطب الرقمي قدرة لم تكن جزءاً تقليدياً من تصميم الخوارزميات: ألّا تتعلم فقط، بل أن تعرف أيضاً كيف تنسى.

ما «محو التعلّم»؟

يقوم تدريب أنظمة الذكاء الاصطناعي على استخلاص أنماط وعلاقات إحصائية من كميات كبيرة من البيانات، ثم ترميز ما تعلّمته بصورة موزعة داخل معاملات النموذج، بحيث يستطيع لاحقاً استخدامها في التصنيف أو التنبؤ أو دعم التشخيص.

أما «محو التعلّم» فيحاول السير في الاتجاه المعاكس: إزالة أثر بيانات بعينها بعد أن يكون النموذج قد تعلّم منها بالفعل. والهدف، بدلاً من إعادة التدريب من نقطة الصفر كلما طُلب حذف سجل، هو تعديل النموذج بحيث يصبح سلوكه قريباً قدر الإمكان من نموذج افتراضي لم يتدرب على تلك البيانات أصلاً. ويُعرف هذا النموذج المعاد تدريبه من دون البيانات المطلوب حذفها أحياناً بأنه «المعيار الذهبي» الذي تُقارن به فاعلية عملية المحو.

والفرق هنا جوهري؛ فحذف صورة أشعة أو نتيجة فحص من قاعدة البيانات لا يضمن اختفاء تأثيرها من النموذج الذي سبق أن تدرب عليها؛ لأن أثرها قد يكون توزع بالفعل عبر عدد كبير من معاملاته الداخلية.

ويمكن تشبيه ذلك بتمزيق صفحة من كتاب بعد أن يكون القارئ قد حفظ محتواها: اختفت الصفحة، لكن المعلومة لم تختفِ بالضرورة من الذاكرة.
 

لماذا يحتاج الطب إلى «النسيان»؟

الحاجة إلى النسيان لا تبدأ أو تنتهي عندما يغيّر مريض رأيه ويسحب موافقته على استخدام بياناته؛ فقد يتبين بعد التدريب أن بعض السجلات احتوت على أخطاء، أو أن صوراً طبية صُنفت بتشخيص غير صحيح، أو أن مجموعة سكانية لم تُمثَّل بصورة متوازنة. وفي حالات أخرى، قد لا تكون المشكلة في البيانات نفسها، بل في أن المعرفة الطبية التي استندت إليها تغيّرت.

وهذه نقطة شديدة الأهمية في الطب؛ فالمعرفة السريرية ليست ثابتة. كما أن توصيات العلاج تتبدل مع ظهور تجارب وأدلة جديدة، وقد تُراجع ممارسات كانت مقبولة عندما جُمعت البيانات التي تعلم منها النظام.

ويستشهد الباحثون بجائحة «كوفيد-19» بوصفها مثالاً واضحاً، حين تغيرت الأدلة والتوصيات العلاجية بسرعة استثنائية؛ فإذا تعلم نموذج طبي من ممارسات ثبت لاحقاً أنها غير مناسبة، فإن مجرد إضافة بيانات أحدث قد لا يجيب دائماً عن سؤال أكثر صعوبة: هل يمكن إزالة أثر المعرفة التي لم نعد نريد للنظام أن يعتمد عليها؟

وهنا يكتسب «محو التعلّم» وظيفة تتجاوز حذف البيانات؛ فقد يصبح أداة لتصحيح الذاكرة السريرية للنموذج عندما يتغير العلم نفسه.
 

هل يملك المريض حقاً في أن تنساه الخوارزمية؟

تزداد المسألة تعقيداً عندما تنتقل من علوم الحاسوب إلى القانون وحقوق المريض؛ فاللائحة العامة لحماية البيانات في الاتحاد الأوروبي (GDPR) تمنح الأفراد، بموجب المادة 17 وفي ظروف محددة، حق طلب محو بياناتهم الشخصية، وهو ما يُعرف أحياناً بـ«الحق في المحو» أو «الحق في أن يُنسى».

لكن النماذج الذكية تطرح مشكلة لم تكن قواعد البيانات التقليدية مصممة للتعامل معها؛ فإذا دخلت بيانات المريض بالفعل في عملية التدريب، فإن حذف السجل الأصلي لا يجيب بالضرورة عن سؤال آخر: ماذا عن الأثر الذي تركته تلك البيانات داخل النموذج؟

وتشير الدراسة إلى أن مدى انطباق التزامات المحو على معاملات النماذج المدربة، لا يزال مسألة قانونية غير محسومة بالكامل؛ فالمعلومة الأصلية قد لا تبقى محفوظة في موضع محدد يمكن ببساطة العثور عليه وحذفه، وإنما قد يكون تأثيرها موزعاً عبر بنية النموذج.

وهنا تظهر فجوة جديدة بين الحق القانوني في حذف البيانات والقدرة التقنية على جعل الخوارزمية تتصرف كما لو أنها لم تتعلم منها أصلاً. إنها منطقة يلتقي فيها الطب وعلوم الحاسوب والقانون، بينما لا تزال حدود «حق المريض في النسيان الرقمي» قيد التشكل.

النسيان ليس بلا مخاطر

لكن جعل النموذج ينسى ليس عملية بلا ثمن؛ فإزالة أثر مجموعة من البيانات قد تغير سلوكه بطرق تتجاوز المعلومات المستهدفة نفسها، وربما تؤثر في قدرته على التمييز بين الحالات أو في «معايرته»؛ أي مدى تطابق الاحتمالات التي يتنبأ بها مع النتائج التي تحدث فعلياً.

وقد لا يتوزع هذا التأثير بالتساوي؛ فعملية تبدو ناجحة عند قياس الأداء العام قد تترك أثراً أكبر لدى فئة معينة من المرضى، خصوصاً إذا كانت ممثلة أصلاً بعدد محدود من الحالات.

لذلك، يحذر الباحثون من التعامل مع محو التعلّم بوصفه «زر حذف»؛ فبعد أي تعديل جوهري ينبغي إعادة اختبار النموذج، ومقارنة أدائه بالنسخة السابقة، والتحقق من عدم ظهور آثار جانبية غير مقصودة، مع الاحتفاظ بإمكانية الرجوع إلى إصدار سابق إذا فشلت العملية.

ومن هنا تطرح الدراسة مفهوماً مهماً هو «الاستعداد لمحو التعلّم» (Unlearning Readiness): أي أن تُصمم الأنظمة الطبية منذ البداية بحيث يمكن لاحقاً تحديد البيانات المطلوب نسيانها، وإزالة أثرها، ثم التحقق من نجاح العملية وتوثيق ما تغير.

وبذلك يصبح «النسيان» خاصية ينبغي التفكير فيها عند بناء النموذج، لا بعد أن تظهر الحاجة إليها.

من «النموذج الثابت» إلى دورة حياة مستمرة

يغير «محو التعلّم» أيضاً الطريقة التي ننظر بها إلى الأنظمة الطبية بعد اعتمادها؛ فالنموذج لا ينبغي أن يُعامل منتجاً ثابتاً يحصل على الموافقة ثم يبقى على حاله؛ فالبيانات تتغير، والأدلة الطبية تتطور، وقد تُكتشف أخطاء جديدة، أو يسحب مرضى موافقتهم على استخدام معلوماتهم.

لذلك تقترح الدراسة التعامل معه ضمن دورة حياة مستمرة تبدأ بمعرفة مصدر البيانات وإمكانية تتبعها، وتمر بإدارة إصدارات النموذج وتحديد الظروف التي تستدعي إزالة أثر معلومات معينة، ثم اختبار النسخة المعدلة قبل استمرار استخدامها سريرياً.

وهذا يعني أن السؤال عند اعتماد نظام طبي جديد لا ينبغي أن يكون فقط: كيف تعلّم؟ بل أيضاً: هل نعرف كيف نصحح ما تعلّمه إذا اكتشفنا لاحقاً أنه لم يعد صالحاً؟

وتصبح الحوكمة، بهذا المعنى، إدارةً لدورة حياة الذكاء الاصطناعي الطبي، وليست موافقة تنظيمية تُمنح مرة واحدة عند دخوله المستشفى.
 

السؤال المقبل للذكاء الاصطناعي الطبي

قضينا السنوات الماضية نحاول بناء أنظمة تستطيع التعلم من أكبر قدر ممكن من البيانات. لكن الطب قد يحتاج الآن إلى قدرة مختلفة: أن تعرف الآلة ماذا يجب أن تنسى، ومتى، وكيف تثبت أنها نسيته من دون الإضرار بما تعلمته بصورة صحيحة. وقد كتب الفيلسوف الألماني فريدريش نيتشه قبل أكثر من قرن أن «النسيان ليس مجرد قوة خمول... بل قدرة فاعلة وإيجابية». كان يتحدث عن العقل الإنساني، لا عن الخوارزميات، لكن عبارته تكتسب اليوم معنى تقنياً لم يكن من الممكن تصوره في عصره؛ فبعد سنوات انصب فيها الاهتمام على كيفية تعليم الآلة، قد تبدأ المرحلة المقبلة بالسؤال عن كيفية جعلها تتراجع عما تعلمته عندما يصبح ذلك ضرورياً. وربما لا تُقاس ذاكرة الآلة بما تستطيع الاحتفاظ به فقط، بل بما تستطيع أن تنساه عندما يصبح التذكّر خطأً.

ففي الطب، قد لا يكون النسيان نقيضاً للتعلّم؛ بل أحد شروط استمرار التعلّم بصورة صحيحة.