Automated triage of open globe injury from external-eye photographs for low-resource settings

في عالم رعاية العيون، غالبًا ما يكون الوقت هو الفارق بين إنقاذ البصر أو فقدانه للأبد. أحد أكثر التهديدات إلحاحًا للرؤية هو إصابة مقلة العين المفتوحة (open globe injury)، وهي حالة خطيرة حيث يتم ثقب أو تمزق الجدار الخارجي للعين. عندما يحدث هذا، تتسرب السوائل الداخلية للعين فعليًا، وبدون إصلاح جراحي سريع، عادةً في غضون يوم واحد، ترتفع مخاطر الإصابة بالعمى الدائم أو العدوى بشكل هائل. في المدن المجهزة جيدًا، يمكن للمتخصص اكتشاف هذا الخطر بسرعة باستخدام مجهر عالي القدرة يسمى "المصباح الشقي" (slit lamp). ومع ذلك، في القرى النائية، أو مناطق الحروب النشطة، أو العيادات الريفية، غالبًا ما يكون هؤلاء الخبراء وآلاتهم الباهظة الثمن على بعد ساعات أو أيام. في هذه الأماكن، غالبًا ما يكون الشخص الذي يتخذ القرار الحاسم بإرسال المريض لإجراء جراحة طارئة هو مسعف، أو ممرض، أو طبيب عام لم يسبق له رؤية إصابة في العين، ويفتقر إلى الأدوات للنظر داخل العين. عليهم أن يقرروا ما إذا كانوا سينتظرون أم سيسرعون بالمريض إلى جراح، وهو خيار يحمل وزنًا هائلًا.

قام فريق من الباحثين بتطوير طريقة جديدة لمساعدة مقدمي الرعاية الأمامية في اتخاذ هذا القرار الذي يغير الحياة. لقد أنشأوا تطبيقًا للهواتف الذكية يمكنه النظر إلى صورة فوتوغرافية عادية لعين مصابة وتحديد ما إذا كانت من المرجح أن تكون إصابة مقلة عين مفتوحة. لا يحتاج النظام إلى اتصال بالإنترنت، ولا يرسل الصور إلى خادم سحابي، ويعمل بالكامل على الهاتف نفسه، مما يحمي خصوصية المريض ويعمل في المناطق التي تفتقر إلى البنية التحتية الرقمية. درب الباحثون نموذجًا حاسوبيًا باستخدام أكثر من ألف صورة حقيقية للعيون، تراوحت من الإصابات الشديدة إلى الكدمات الطفيفة، وكلها مصنفة من قبل فرق من الخبراء. اختبروا النظام على مجموعة منفصلة من الصور التي لم يسبق له رؤيتها، وأظهرت النتائج أن البرنامج يمكنه تحديد الإصابات الخطيرة بدرجة عالية من الدقة، حيث كان أداؤه قريبًا جدًا من النماذج الحاسوبية الأكثر تقدمًا التي تتطلب قدرات حوسبة ثقيلة. يشير هذا العمل إلى أن صورة بسيطة يلتقطها غير متخصص قد تكون كافية قريبًا لتفعيل الاستجابة الطارئة الصحيحة، مما يجلب مستوى من سلامة التشخيص إلى المناطق ذات الموارد المحدودة كان مستحيلاً في السابق.

بدأت رحلة بناء هذه الأداة بجمع هائل للصور. جمع الباحثون أكثر من أحد عشر ألف صورة للعيون من مصادر متنوعة عبر الإنترنت، بما في ذلك الأرشيفات التعليمية الطبية ومكتبات الصور العامة. قاموا بتصفيتها لتصل إلى مجموعة نهائية مكونة من 1,305 صورة فريدة، مع ضمان عدم تضمين أي صور مكررة أو متطابقة تقريبًا، والتي قد تخدع الحاسوب وتجعله يعتقد أنه يرى بيانات أكثر مما هي عليه بالفعل. من بين هذه الصور، أظهرت 58 صورة فقط إصابة مؤكدة بمقلة عين مفتوحة، بينما صورت البقية أنواعًا أخرى من إصابات العين أو لم تظهر أي إصابة على الإطلاق. ولأن الحالة نادرة، كان على الفريق أن يكون حذرًا للغاية في كيفية تقسيم البيانات؛ فقد احتفظوا بمجموعة اختبار محددة مكونة من 261 صورة، تحتوي على 12 حالة فقط من إصابة مقلة العين المفتوحة، مخبأة تمامًا بعيدًا. استُخدمت مجموعة الاختبار "المجمدة" هذه في النهاية فقط لمعرفة مدى أداء النموذج على بيانات جديدة وغير مرئية، مما يضمن أن تكون النتائج صادقة وليست مجرد انعكاس لأمثلة تم حفظها.

لتعليم الحاسوب كيفية التعرف على الإصابة، اختبر الفريق عدة أنواع مختلفة من "النماذج الأساسية" للذكاء الاصطناعي (AI backbones)، وهي المحركات الأساسية التي تعالج المعلومات المرئية. جربوا استخدام نماذج عامة الغرض مدربة على ملايين الصور اليومية، بالإضافة إلى نموذج متخصص مدرب خصيصًا على بيانات طب العيون. واختبروا نهجين رئيسيين: أحدهما حيث يُسمح للحاسوب بإعادة تعلم كل شيء من الصفر، والآخر حيث يستخدم الحاسوب معرفته الحالية كأساس ثابت ويتعلم فقط كيفية تفسير المخرج النهائي. جاءت النتيجة الأكثر قوة من نموذج تم ضبطه بدقة (fine-tuned) للتعرف على الأنماط المحددة لإصابة مقلة العين المفتوحة. حقق هذا النموذج درجة 0.934 على مقي مقياس الأداء القياسي، مما يعني أنه كان فعالًا للغاية في التمييز بين الإصابات الخطيرة وغيرها. ومن المثير للدهشة أن نهجًا أبسط لا يتطلب إعادة تدريب النموذج الحاسوبي الثق heavy computer model كاد أن يطابق هذا الأداء؛ فباستخدام نموذج متخصص في رعاية العيون كمستخرج سمات ثابت وإضافة طبقة قرار بسيطة فوقه، حقق الباحثون درجة 0.906. هذا الاكتشاف أمر بالغ الأهمية لأنه يعني أن الأداة يمكنها العمل على الهواتف الذكية القديمة والأقل قوة دون الحاجة إلى أجهزة باهظة الثمن أو اتصال بالإنترنت.

استكشف الباحثون أيضًا ما إذا كان دمج عدة نماذج معًا سيجعل النظام أكثر ذكاءً. جربوا طرقًا مختلفة لدمج تنبؤات محركات حاسوبية مختلفة، آملين أن يكون قرار المجموعة أكثر دقة من قرار الفرد. ومع ذلك، وجدوا أن إضافة المزيد من النماذج لم يحسن النتائج بشكل كبير؛ فالنموذج المتخصص الوحيد الذي يستخدم نهج السمات الثابتة كان جيدًا جدًا لدرجة أن دمجه مع نماذج أخرى لم يقدم أي ميزة. هذه البساطة تعد نقطة قوة عند النشر، لأنها تجعل البرنامج خفيف الوزن وأسهل في الصيانة في الميدان. كما تحقق الفريق للتأكد من أن الحاسوب لا يعتمد على ارتباطات زائفة غير متعلقة بالإصابة، مثل نوع الكاميرا المستخدمة أو خلفية الصورة. وقد أكدوا أن النموذج يتعلم حقًا العلامات البصرية للإصابة نفسها، بغض النظر عن مصدر الصورة أو ما إذا كان هناك وجه ظاهر في الإطار.

المنتج النهائي هو تطبيق يعمل لكل من أجهزة iPhone وAndroid ويعمل بالكامل دون اتصال بالإنترنت. عندما يلتقط المستخدم صورة لعين مصابة، يقوم التطبيق بتحليلها فورًا وتقديم توصية واضحة: إما تصعيد الحالة فورًا لإجراء جراحة طارئة أو إحالة المريض لمتابعة روتينية. هذا القرار الثنائي هو بالضبط ما يحتاجه غير المتخصص لاتخاذ قرار في الأزمات. لا يحاول التطبيق تشخيص النوع المحدد للإصابة أو تقديم تقرير طبي كامل؛ بل يجيب ببساطة على السؤال الأكثر أهمية وهو ما إذا كانت العين مفتوحة وتسرب السوائل. ومن خلال العمل بالكامل على الجهاز، يتجاوز التطبيق الحاجة إلى الاتصال بالإنترنت ويضمن عدم مغادرة أي صور للمرضى أو بيانات شخصية للهاتف أبدًا، مما يعالج العوائق الرئيسية المتعلقة بالخصوصية والبنية التحتية التي غالبًا ما تمنع أدوات الصحة الرقمية من العمل في المناطق النائية.

بينما تعد النتائج واعدة، يحرص الباحثون على ملاحظة حدود عملهم الحالي. كانت مجموعة الاختبار صغيرة، حيث احتوت على 12 حالة مؤكدة فقط من إصابة مقلة العين المفتوحة، مما يعني أن فترات الثقة الإحصائية واسعة. لم يتم اختبار النموذج بعد في تجربة ميدانية حقيقية حيث يستخدمه المسعفون في عيادة ريفية أو منطقة قتال. علاوة على ذلك، صُممت الأداة فقط كإشارة فرز أولية؛ فهي لا تستطيع اكتشاف إصابات العين الخطيرة الأخرى التي لا تتضمن مقلة مفتوحة، مثل الكسور حول العين أو تلف العصب البصري، والتي تتطلب أيضًا رعاية عاجلة. يخطط الباحثون لإجراء دراسات مستقبلية لمعرفة كيفية أداء الأداة عند دمجها في تدفقات العمل الطارئة الفعلية والتحقق من صحتها باستخدام بيانات جديدة من بيئات سريرية ذات موارد محدودة. ورغم هذه القيود، فإن الدراسة تضع معيارًا جديدًا للمجال، مثبتة أن الإشارة البصرية لإصابة مقلة العين المفتوحة هي أمر يمكن تعلمه من الصور الواقعية غير المنضبطة. إنها تقدم مسارًا ملموسًا نحو مستقبل يمكن فيه لكاميرا الهاتف الذكي أن تساعد في إنقاذ البصر في أكثر زوايا العالم محدودية في الموارد.