Retinal Malady Classification using AI: A novel ViT-SVM combination architecture
تقترح هذه الورقة بنية هجينة مبتكرة تجمع بين محولات الرؤية (Vision Transformers) وآلات ناقلات الدعم (Support Vector Machines) لأتمتة الكشف المبكر وتصنيف ثقوب البقعة الصفراء، واعتلال الشبكية المصلي المركزي، واعتلال الشبكية السكري باستخدام فحوصات التصوير المقطعي للتماسك البصري.
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 أن عينك تشبه كاميرا عالية الدقة، وأن الشبكية هي الفيلم الموجود بداخلها. أحياناً، يتعرض هذا الفيلم للتلف، مما يؤدي إلى رؤية ضبابية أو حتى العمى. هناك ثلاثة "أعطال" رئيسية في النظام يتناولها هذا البحث:
- اعتلال الشبكية السكري: يشبه الصدأ الذي يتكون على الأنابيب الصغيرة (الأوعية الدموية) داخل الكاميرا بسبب كثرة السكر في الدم.
- ثقوب البقعة الصفراء: ثقب أو تمزق حقيقي في مركز الفيلم حيث تكون الصورة أوضح ما يمكن.
- اعتلال الشبكية المصلي المركزي: فقاعة من السائل ترفع الفيلم بعيداً عن جسم الكاميرا، مما يؤدي لتشويه الصورة.
عادةً ما ينظر الأطباء إلى هذه الصور (التي تسمى صور OCT) بأعينهم لتشخيص المشكلة. لكن أعين البشر تتعب، وهناك الكثير من الصور التي يجب فحصها يدوياً. يسأل هذا البحث: هل يمكننا بناء عقل روبوتي للقيام بذلك بشكل أسرخص وأفضل؟
الطريقة القديمة مقابل الطريقة الجديدة
للإجابة على ذلك، جرب الباحثون ثلاثة "عقول روبوتية" مختلفة (نماذج ذكاء اصطناعي) لتصنيف الصور إلى أربع فئات: سليم، اعتلال الشبكية السكري، ثقب البقعة الصفراء، واعتلال الشبكية المصلي المركزي.
1. الموثوق القديم: VGG-16
اعتبر هذا النموذج بمث like محقق كلاسيكي مجتهد موجود منذ زمن طويل. هو ينظر إلى الصورة بكسل تلو الآخر، مثل قراءة كتاب حرفاً بحرف. إنه موثوق ولكنه بطيء قليلاً ويفتقد لرؤية الصورة الكبيرة.
- النتيجة: نجح في تحديد حوالي 83% من الحالات بشكل صحيح. جيد، ولكنه ليس رائعاً.
2. النجم الحديث: المحول البصري (Vision Transformer - ViT)
هذا هو الفنان شديد الملاحظة. بدلاً من القراءة حرفاً بحرف، ينظر إلى اللوحة بأكملها دفعة واحدة. يستخدم تقنية تسمى "الانتباه" (Attention)، مما يعني أنه يعرف بالضبط أي جزء من الصورة هو المهم (مثل الثقب في الشبكية) ويتجاهل الضجيج في الخلفية.
- النتيجة: أصاب في 88% من الحالات. أفضل بكثير من المحقق القديم!
3. الفريق الفائز: ViT-SVM (الهجين)
هذه هي الفكرة الكبرى لهذا البحث. لقد أخذوا النجم الحديث (ViT) ودمجوه مع آلة حاسبة رياضية (SVM).
إليك التشبيه:
- الـ ViT (الفنان): ينظر إلى المسح الضبابي ويقول: "مهلاً، أرى نمطاً غريباً هنا يبدو كأنه ثقب في البقعة الصفراء. أشعر أنه يطابق الحالة بنسبة 90%".
- الـ SVM (الآلة الحاسبة): يأخذ هذا "الشعور" ويمرره عبر كتاب قواعد رياضي صارم. ويقول: "حسناً، بناءً على الهندسة والمسافة بين هذه الميزات، أنا متأكد بنسبة 100% أن هذا هو ثقب في البقعة الصفراء".
من خلال الجمع بين حدس الفنان الذكي ودقة الآلة الحاسبة الرياضية، استطاعوا إنشاء فريق خارق.
النتائج: من الفائز؟
أجرى الباحثون سباقاً بين هذه النماذج الثلاثة:
- VGG-16 (المحقق القديم): أنهى السباق بدقة 83%.
- ViT (الفنان الحديث): أنهى السباق بدقة 88%.
- ViT-SVM (الفريق الخارق): أنهى السباق بدقة 94%!
كان النموذج الهجين هو الفائز بوضوح. لقد كان بارعاً بشكل خاص في اكتشاف العيون "السليمة" و"اعتلال الشبكية السكري" (حيث حقق درجات مثالية بنسبة 100% في الاختبار)، بينما ارتبكت النماذج الأخرى أحياناً.
لماذا يهمنا هذا؟
فكر في هذا الأمر كأنه نظام فرز طبي.
- إذا كان على الطبيب النظر في 1,000 صورة يومياً، فقد يغفل عن ثقب صغير في الصورة رقم 500 بسبب التعب.
- إذا قام روبوت ViT-SVM بالمسحة الأولى، فيمكنه تصنيف الصورة رقم 500 كحالة "عالية الخطورة" بثقة 94%. عندها يحتاج الطبيب فقط للتحقق من الصور التي لم يكن الروبوت متأكداً منها.
الخلاصة
يظهر هذا البحث أنه من خلال مزج أفضل أجزاء نوعين مختلفين من الذكاء الاصطناعي (واحد يرى الأنماط مثل البشر، والآخر يحسب مثل الآلة)، يمكننا إنشاء أداة تساعد الأطباء على اكتشاف أمراض العين مبكراً. الاكتشاف المبكر يعني قدرة المرضى على تلقي العلاج قبل أن يفقدوا بصرهم.
باختصار: الذكاء الاصطناعي القديم جيد، والذكاء الاصطنا الجديد جيد، ولكن دمجهم معاً يجعل منهم أفضل مساعد للطبيب.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.