← أحدث الأبحاث
🤖 AI

Deep Learning for Retinal Degeneration Assessment: A Comprehensive Analysis of the MARIO Challenge

تقدم هذه الورقة تحليلاً شاملاً لتحدي MARIO في مؤتمر MICCAI 2024، حيث تفصل كيف استخدمت 35 فرق بيانات التصوير المقطعي للتماسك البصري (OCT) والبيانات السريرية متعددة الأنماط لتقييم أداء الذكاء الاصطناعي في تشخيص تنكس الشبكية، مما كشف أنه بينما يضاهي الذكاء الاصطناعي دقة الأطباء في اكتشاف تطور التنكس البقعي المرتبط بالسن (AMD)، فإنه لا يزال حالياً يقصر عن التنبؤ بالتطور المستقبلي للمرض.

المؤلفون الأصليون: Rachid Zeghlache, Ikram Brahim, Pierre-Henri Conze, Mathieu Lamard, Mohammed El Amine Lazouni, Zineb Aziza Elaouaber, Leila Ryma Lazouni, Christopher Nielsen, Ahmad O. Ahsan, Matthias Wilms, Nils D. F
نُشر 2026-08-04
📖 5 دقيقة قراءة🧠 قراءة متعمّقة
CC BY 4.0

المؤلفون الأصليون: Rachid Zeghlache, Ikram Brahim, Pierre-Henri Conze, Mathieu Lamard, Mohammed El Amine Lazouni, Zineb Aziza Elaouaber, Leila Ryma Lazouni, Christopher Nielsen, Ahmad O. Ahsan, Matthias Wilms, Nils D. Forkert, Lovre Antonio Budimir, Ivana Matovinović, Donik Vršnak, Sven Lončarić, Philippe Zhang, Weili Jiang, Yihao Li, Yiding Hao, Markus Frohmann, Patrick Binder, Marcel Huber, Taha Emre, Teresa Finisterra Araújo, Marzieh Oghbaie, Hrvoje Bogunović, Amerens A. Bekkers, Nina M. van Liebergen, Hugo J. Kuijf, Abdul Qayyum, Moona Mazher, Steven A. Niederer, Alberto J. Beltrán-Carrero, Juan J. Gómez-Valverde, Javier Torresano-Rodríquez, Álvaro Caballero-Sastre, María J. Ledesma Carbayo, Yosuke Yamagishi, Yi Ding, Robin Peretzke, Alexandra Ertl, Maximilian Fischer, Jessica Kächele, Sofiane Zehar, Karim Boukli Hacene, Thomas Monfort, Béatrice Cochener, Mostafa El Habib Daho, Anas-Alexis Benyoussef, Gwenolé Quellec

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك محقق يحاول حل لغز يحدث داخل مدينة صغيرة ومعقدة: وهي العين البشرية. تحديداً، أنت تبحث في الشبكية، وهي الشاشة الحساسة للضوة في الجزء الخلفي من العين. أحياناً، تتعرض هذه المدينة لغزو من نمو متسلل ومتسرب يسمى "الاعتلال البقعي المرتبط بالسن (AMD) ذو الأوعية الجديدة". إنه يشبه كارثة في السباكة، حيث تنبت أنابيب صغيرة غير مرغوب فيها وتسرب السوائل، مما يؤدي إلى تشويش مركز رؤيتك. ولإصلاح ذلك، يستخدم الأطباء حقنًا خاصة "مضادة للتسرب" (anti-VEGF) تعمل مثل الغراء الفائق لإيقاف تلك الأنابيب. ولكن الجزء الصعب هنا هو أن حالة التسرب تتغير كل يوم؛ فأحياناً تكون الأنابيب هادئة، وأحياناً تكون جارفة، وأحياناً تكون مجرد رطبة قليلاً. يتعين على الأطباء التقاط صور ثلاثية الأبعاد عالية الدقة للعين (تسمى فحوصات OCT) كل بضعة أسابيع لمعرفة ما إذا كان هذا "الغراء" يعمل أم لا. وإذا أخطأوا في التقدير، فقد يحقنون مريضاً لا يحتاج لذلك، أو الأسوأ من ذلك، قد ينتظرون طويلاً لمريض حالته تزداد سوءاً.

لفترة طويلة، أصبحت الحواسيب بارعة جداً في النظر إلى صورة واحدة والقول: "مهلاً، هذه العين تعاني من تسرب!". لكن التحدي الحقيقي هو مراقبة فيلم بدلاً من صورة ثابتة. يجب على الحاسوب أن ينظر إلى صورتين تم التقاطهما بفارق أسابيع ويقرر: هل تحسن التسرب، أم ظل كما هو، أم ساء؟ والأصعب من ذلك، هل يمكن للحاسوب أن ينظر إلى صورة واحدة فقط اليوم ويتنبأ بما سيحدث بعد ثلاثة أشهر من الآن؟ هذا هو السؤال الذي طرحه مجموعة من العلماء على أفضل المحققين في مجال الذكاء الاصطناعي لحله في مسابقة عالمية تسمى تحدي MARIO. أرادوا معرفوا ما إذا كان الذكاء الاصطناعي يمكن أن يصبح مساعداً موثوقاً للأطباء، يساعدهم في تحديد متى يعطون تلك الحقن بالضبط ومتى يتركون المريض يرتاح.

مسابقة محقق العين العظيم

في عام 2024، نظم فريق من الباحثين لعبة ضخمة تسمى تحدي MARIO (مراقبة الاعتلال البقعي المرتبط بالسن باستخدام طب العيون الذكي). لقد جمعوا 35 فريقاً من خبراء الذكاء الاصطناعي من جميع أنحاء العالم، بما في ذلك الطلاب، وباحثي الجامعات، وشركات التكنولوجيا. كان الهدف هو بناء برنامج حاسوبي يمكنه تحليل مسحات التصوير المقطعي للتماسك البصري (OCT) — تلك المقاطع العرضية ثلاثية الأبعاد فائقة التفصيل للشبكية — لتتبع المرض.

تضمن التحدي مستويين، مثل ألعاب الفيديو التي تحتوي على "وضع سهل" و"وضع صعب".

المستوى الأول: لعبة "رصد التغيير"
في هذا المستوى، يُعطى الذكاء الاصطناعي صورتين لنفس العين تم التقاطهما في أوقات مختلفة (لنقل الزيارة أ والزيارة ب). كان على الكمبيوتر النظر إلى كلتيهما والقرار: هل انخفض المرض (Reduced)، أم استقر (Stable)، أم ساء (Worsened)؟
كانت النتائج مثيرة للاهتمام بشكل مفاجئ. الفريق الأفضل، المسمى MIPLAB، بنى نموذجاً نجح في الإجابة بشكل صحيح حوالي 86% من المرات. ولو وضعت هذا في الاعتبار، فهذا يكاد يعادل اتفاق طبيبين عيون بشريين مع بعضهما البعض! تعلم الذكاء الاصطناعي بنجاح رصد الاختلافات الدقيقة في مستويات السوائل بين مسحتين. كان الأمر أشبه بتعليم كمبيوتر ملاحظة أن بركة مياه على الرصيف قد تقلصت أو كبرت بمجرد النظر إلى صورتين. وهذا يشير إلى أنه بالنسبة للتحقق مما إذا كان العلاج يعمل الآن، فإن الذكاء الاصطناعي جاهز ليكون مساعداً مفيداً.

المستوى الثاني: لعبة "البلورة السحرية"
كان هذا المستوى أصعب بكثير. حيث يُعطى الذكاء الاصطناعي صورة واحدة فقط (الزيارة أ) وعليه التنبؤ بما سيحدث في الأشهر الثلاثة القادمة. هل ستتحسن العين، أم ستبقى كما هي، أم ستسوء؟
كانت النتائج هنا بمثابة واقع صادم. نجح أفضل نموذج ذكاء اصطناعي في تحقيق درجة تقارب 0.30 فقط، وهو أمر بالكاد يتفوق على مجرد التخمين بأن الحالة "مستقرة" في كل مرة لأن معظم العيون تكون مستقرة بالفعل. كانت توقعات الفرق مختلفة جداً عن بعضها البعض لدرجة أنها لم تتفق مع بعضها البعض بأكثر من الصدفة. كان الأمر كما لو أن الذكاء الاصطناعي يحاول التنبؤ بالطقس قبل ثلاثة أشهر باستخدام صورة واحدة فقط للسماء اليوم؛ لم تكن هناك معلومات كافية في تلك الصورة الواحدة لمعرفة ما سيأتي. لقد خلصت الورقة البحثية إلى أن التنبؤ بالمستقبل من زيارة واحدة لا يزال مشكلة لم يحلها الذكاء الاصطناعي بعد.

مشكلة "اللغة الأجنبية"

كان هناك منعطف واحد آخر في القصة علم الباحثين درساً مهماً للغاية حول العدالة والموثوقية. المجموعة الرئيسية من المرضى جاءت من بريست، فرنسا. ولكن لاختبار ما إذا كان الذكاء الاصطناعي ذكياً حقاً أم أنه حفظ البيانات الفرنسية فحسب، ألقى المنظمون مجموعة اختبار صغيرة وسرية من تلمسان، الجزائر. كان لهؤلاء المرضى خلفيات مختلفة، وتم التقاط مسحات أعينهم باستخدام إعدادات معدات مختلفة قليلاً.

عندما حاول الذكاء الاصطناعي الفائز من البيانات الفرنسية حل الألغاز الجزائرية، تعثر بشدة. الفريق الذي جاء في المركز الأول في فرنسا تراجع إلى المركز الخامس في الجزائر. انهارت درجات بعض الفرق لدرجة أنها أصبحت بالكاد أفضل من التخمين العشوائي. كان الأمر كطالب تفوق في اختبار رياضيات في فصل دراسي معين، لكنه فشل تماماً عندما غير المعلم الكتاب المدرسي بآخر يحتوي على رموز مختلفة قليلاً. أظهر هذا أن نماذج الذكاء الاصطناعي كانت حساسة للغاية للمصدر الذي تأتي منه البيانات. لم تكن قد تعلمت القواعد العالمية للعين؛ بل تعلمت فقط "اللكنة" الخاصة بالمسحات الفرنسية.

ماذا يعني هذا؟

لقد أعطانا تحدي MARIO خريطة واضحة لمكان وقوفنا الآن.

  1. المراقبة قصيرة المدى ممكنة: إذا أراد الطبيب معرفة ما إذا كانت العين أفضل أو أسوأ مقارنة بمسحة الشهر الماضي، فيمكن للذكاء الاصطناعي القيام بعمل رائع. إنه قريب من الجاهزية للمساعدة في توفير وقت الأطباء وتقليل الحقن غير الضرورية.
  2. التنبؤ طويل المدى ليس جاهزاً: إذا أراد الطبيب معرفة ما سيحدث بعد ثلاثة أشهر بناءً على مسحة واحدة، فإن الذكاء الاصطناعي حالياً غير مفيد. الإشارة ضعيفة جداً، والنماذج مجرد تخمينات.
  3. ليس كل شيء يناسب الجميع: الذكاء الاصطناعي الذي يعمل بشكل مثالي لمجموعة من الناس قد يفشل فشلاً ذريعاً لمجموعة أخرى. قبل أن نتمكن من الوثوق بهذه الأدوات في المستشفيات في كل مكان، نحتاج إلى التأكد من أنها تعمل للجميع، بغض النظر عن مكان عيشهم أو الجهاز الذي قام بمسح أعينهم.

لا تدعي الورقة البحثية أنها حلت لغز الـ AMD، لكنها حلت لغز ما يمكن للذكاء الاصطناعي وما لا يمكنه فعله في الوقت الحالي. إنها تخبرنا أنه بينما بنينا "راصداً" جيداً جداً للتغيرات الحالية، فإننا لا نزال بحاجة إلى اختراع "عراف" أكثر ذكاءً للمستقبل. وحتى نفعل ذلك، يجب أن نكون حذرين من الثقة في محققينا الرقميين كثيراً عندما يكونون في حي جديد.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 🤖 cs.AI →