Retinal Disease Classification from Fundus Images using CNN Transfer Learning

إليك ملخص تقني مفصل لورقة البحث بعنوان "تصنيف أمراض الشبكية من صور قاع العين باستخدام التعلم بنقل الشبكات العصبية التلافيفية (CNN Transfer Learning)" للباحث علي أكرم.

1. بيان المشكلة

تعد أمراض الشبكية (مثل اعتلال الشبكية السكري، والجلوكوما/المياه الزرقاء، واعتلال الشبكية البقعي المرتبط بالعمر) من الأسباب الرئيسية للعمى الذي يمكن الوقاية منه، لا سيما في المناطق ذات الوصول المحدود إلى رعاية طب العيون. يعتمد التشخيص التقليدي على الفحص اليدوي لصور قاع العين من قبل المتخصصين، وهو أمر يستغفرق وقتاً طويلاً، ومكلف، وعرضة للتباين في التقدير بين المراقبين. وعلى الرغم من وجود أنظمة التشخيص بمساعدة الكمبيوتر (CAD) المؤتمتة، إلا أن التحديات لا تزال قائمة فيما يتعلق بـ:

• ندرة البيانات: محدودية مجموعات البيانات الطبية المشروحة مقارنة بمجموعات الصور الطبيعية.
• عدم توازن الفئات: غالباً ما تحتوي مجموعات البيانات الطبية على عينات سليمة أكثر بكثير من العينات المصابة، مما يؤدي إلى نماذج منحازة.
• التعميم: تعاني النماذج غالباً في اكتشاف الأنماط المرضية الدقيقة أو التعميم عبر ظروف التصوير المختلفة.

تهدف الدراسة إلى تطوير إطار عمل قابل للتكرار للتعلم العميق من أجل التصنيف الثنائي للمخاطر (سليم مقابل مصاب) للمساعدة في الفحص المبكر والفرز السريري.

2. المنهجية

تستخدم الدراسة تصميماً تجريبياً مقارناً باستخدام مجموعة بيانات متاحة من موقع Kaggle تحتوي على 3,200 صورة لقاع العين. تم تقسيم مجموعة البيانات إلى مجموعات تدريب (1,920)، وتحقق (640)، واختبار (640). تم تحديد المهمة كمسألة تصنيف ثنائي بناءً على تسمية "خطر المرض".

تم تنفيذ نهجين تجريبيين متميزين:

أ. التجربة 1: نموذج CNN أساسي (من الصفر)

• البنية: شبكة عصبية تلافيفية (CNN) خفيفة الوزن ومخصصة، تتكون من طبقتين من الطبقات التلافيفية (Conv2D) بـ (32 و64 مرشحاً)، وطبقة تجميع قصوى (MaxPooling)، وطبقة تسطيح (Flatten)، وطبقة كثيفة (Dense) للمخرجات (تنشيط Sigmoid).
• المعالجة المسبقة: تم تغيير حجم الصور إلى 64×64 بكسل؛ وإعادة تحجيم قيم البكسل لتكون في النطاق [0, 1].
• التدريب: لم يتم تطبيق أي تعزيز للبيانات (Data Augmentation). تم التدريب لمدة 10 حقبات (epochs) باستخدام محسن Adam وخسارة التقاطع الثنائي (Binary Cross-Entropy). لم يتم استخدام أوزان الفئات.
• الهدف: وضع مستوى أداء أساسي باستخدام بنية بسيطة ومدخلات منخفضة الدقة.

ب. التجربة 2: التعلم بنقل المعرفة (VGG16)

• البنية: تم استخدام هيكل VGG16 مدرب مسبقاً (أوزان ImageNet، مع إزالة الطبقة العليا)، وتم تجميد الهيكل أثناء التدريب، متبوعاً برأس تصنيف مخصص (Flatten، Dense 500، Dense 100، مخرجات مع Softmax).
• المعالجة المسبقة: تم تغيير حجم الصور إلى 254×254 بكسل؛ وإعادة تحجيم قيم البكسل لتكون في النطاق [0, 1].
• تعزيز البيانات: تم تطبيق قلب الصور أفقياً وعمودياً لزيادة تنوع مجموعة البيانات وتقليل الإفراط في التخصيص (Overfitting).
• معالجة عدم التوازن: تم حساب أوزان الفئات وتطبيقها أثناء التدريب للتخفيف من الانحياز نحو فئة (السليم) التي تمثل الأغلبية.
• التدريب: تم التدريب لمدة 5 حقبات باستخدام محسن Adam، وخسارة التقاطع الفئوي (Categorical Cross-Entropy)، ومعدل تعلم قدره 0.01.

ج. مقاييس التقييم

تم تقييم الأداء باستخدام الدقة (Accuracy)، والدقة التنبؤية (Precision)، والاستدعاء (Recall)، ومقياس F1-score، ومصفوفات الارتباك (Confusion Matrices)، ومنحنيات خصائص تشغيل المستقبِل (ROC) مع تحليل المساحة تحت المنحنى (AUC).

3. النتائج الرئيسية

تظهر الدراسة فجوة كبيرة في الأداء بين تدريب نموذج من الصفر وبين استخدام التعلم بنقل المعرفة.

المقياس	نموذج CNN الأساسي (64x64)	تعلم نقل المعرفة VGG16 (254x254)
دقة الاختبار	83.1%	90.8%
F1-Score المرجح	لم يُذكر صراحة	0.90
AUC (الفئة 0: سليم)	~0.81	0.81
AUC (الفئة 1: مصاب)	~0.81	0.81
الاستدعاء (مصاب)	لم يُذكر صراحة	0.65
الاستدعاء (سليم)	لم يُذكر صراحة	0.98
الدقة التنبؤية (مصاب)	لم يُذكر صراحة	0.88

• الزيادة في الأداء: حقق نموذج VGG16 تحسناً في الدقة بمقدار 7.7 نقطة مئوية عن النموذج الأساسي.
• تفاصيل الفئات: حقق نموذج تعلم نقل المعرفة نوعية عالية للحالات السليمة (استدعاء 98%) ولكنه واجه صعوبة مع الفئة الأقلية، حيث نجح في تحديد 65% فقط من الحالات المصابة.
• تحليل ROC: أظهر كلا النموذجين قيم AUC حول 0.81، مما يشير إلى أنه بينما كان للنموذج الأساسي قدرة تمييز جيدة، فإن نموذج تعلم نقل المعرفة وفر تمثيلاً للميزات واستقراراً فائقين.

4. المساهمات الرئيسية

1. قابلية التكرار: تؤكد الدراسة على الشفافية المنهجية الصارمة، حيث تبلغ عن النتائج التي تتوافق تماماً مع عمليات تشغيل الكود المنفذة دون استنتاج المقاييس.
2. التحليل المقارن: توفر مقارنة تجريبية واضحة بين نموذج CNN ضحل ومنخفض الدقة، وبين نهج تعلم نقل المعرفة العميق وعالي الدقة، مما يحدد فوائد الميزات المدربة مسبقاً في التصوير الطبي.
3. تخفيف حدة عدم التوازن: توضح تطبيق أوزان الفئات في سياق تعلم نقل المعرفة لمعالجة انحراف مجموعة البيانات، رغم الإقرار بأن هذا وحده غير كافٍ للكشف المثالي عن الفئة الأقلية.
4. التركيز على الفرز الثنائي: تثبت الدراسة جدوى تصنيف "الخطر" الثنائي كأداة فحص أولية قابلة للتطبيق للفرز السريري، بدلاً من محاولة التشخيص متعدد الفئات المعقد مباشرة.

5. الأهمية والمناقشة

• فعالية تعلم نقل المعرفة: تؤكد النتائج أن البنى المدربة مسبقاً (VGG16) تتفوق بشكل كبير على النماذج التي يتم تدريبها من الصفر على مجموعات البيانات الطبية الصغيرة. إن قدرة مرشحات ImageNet المدربة مسبقاً على اكتشاف الحواف والأنسجة منخفضة المستوى تترجم جيداً إلى أنماط الأوعية الدموية الشبكية، حتى مع اختلاف المجالات.
• تأثير الدقة: سمح رفع دقة المدخلات من 64×64 إلى 254×254 للنموذج بالتقاط الآفات المرضية الدقيقة التي فُقدت في الدقة المنخفضة للنموذج الأساسي.
• الآثار السريرية:
  • نقاط القوة: الاستدعاء العالي للحالات السليمة (0.98) يشير إلى أن النموذج ممتاز في استبعاد المرض، مما يقلل من الإحالات غير الضرورية (نوعية عالية).
  • القيود: يشير الاستدعاء للحالات المصابة (0.65) إلى أن 35% من الحالات المرضية تم تفويتها. وفي سياق الفحص، يعد تفويت الحالات المصابة أمراً حرجاً. يشير المؤلفون إلى أنه بينما الدقة الإجمالية عالية، فإن النموذج يتطلب تحسيناً (مثل ضبط العتبة، أو استخدام دوال خسارة متقدمة مثل Focal Loss) لتحسين الحساسية للفئة الأقلية.
• الاتجاهات المستقبلية: ترسم الورقة خارطة طريق للتحسين، بما في ذلك الضبط الدقيق (Fine-tuning) للطبقات العميقة من هيكل VGG16، واستخدام تعزيز البيانات المتقدم (GANs)، وتحسين عتبات القرار، ودمج الذكاء الاصطناعي القابل للتفسير (Grad-CAM) لبناء ثقة الأطباء.

الخلاصة:
نجحت الورقة في إثبات أن تعلم نقل المعرفة باستخدام VGG16 هو نهج قوي لفحص أمراض الشبكية المؤتمت، حيث حقق دقة بنسبة 90.8%. ومع ذلك، فإن التحدي المستمر المتمثل في انخفاض الاستدعاء للفئة المصابة يسلط الضوء على أنه بينما يمكن للذكاء الاصطناعي المساعدة في عملية الفرز، إلا أن المزيد من التحسين مطلوب قبل أن تتمكن هذه الأنظمة من العمل كأدوات تشخيص مستقلة وموثوقة في الممارسة السريرية.