Identifying Intraoperative Floppy Iris Syndrome (IFIS) Using AI

ملخص تقني: تحديد متلازمة القزحية المرتخية أثناء الجراحة (IFIS) باستخدام الذكاء الاصطناعي

بيان المشكلة
متلازمة القزحية المرتخية أثناء الجراحة (IFIS) هي حالة تتميز بضعف توسع الحدقة ومرونة القزحية التي تقاوم التمدد الميكانيكي أثناء جراحة إعتام عدسة العين (الكاتاركت). تزيد هذه الحالة بشكل كبير من خطر حدوث مضاعفات أثناء الجراحة، بما في ذلك إصابة القزحية، وانفصال الجرح، وتمزق الكبسولة الخلفية، وفقدان الجسم الزجاجي، مما قد يؤدي إلى ضعف بصري طويل الأمد. حالياً، يعتمد التنبؤ بمتلازمة (IFIS) قبل الجراحة بشكل أساسي على عوامل الخطر السريرية، ولا سيما استخدام أدوية مثبطات "ألفا-1". ومع ذلك، تحدث نسبة كبيرة من حالات (IFIS) لدى مرضى ليس لديهم تاريخ من استخدام هذه الأدوية، وقد يغفل التقييم السريري وحده عن المؤشرات التشريحية الدقيقة. تهدف الدراسة إلى تقييم ما إذا كانت خوارزميات الذكاء الاصطناعي يمكنها استخدام تصوير القطاع الأمامي الروتيني قبل الجراحة لتحديد المرضى المعرضين لخطر الإصابة بمتلازمة (IFIS) بشكل أكثر فعالية من الطرق الحالية.

المنهجية
استخدمت الدراسة مجموعة استعادية مكونة من 2,220 مريضاً (3,239 عيناً) خضعوا لجراحة إعتام عدسة العين في مركز رابين الطبي بين أبريل 2016 ونوفمبر 2022. تم تقسيم مجموعة البيانات إلى مجموعات تدريب (60%)، وتحقق (20%)، واختبار (20%)، مع ضمان عدم ظهور صور المريض نفسه عبر مجموعات مختلفة لمنع تسرب البيانات.

• جمع البيانات: تم الحصول على الصور قبل الجراحة باستخدام جهاز القياس البصري (Tomey OA-2000)، الذي يلتقط كلاً من صور الأشعة تحت الحمراء (IR) وصور التصوير المقطعي التماثلي للقطاع الأمامي (SS-OCT). تم تأكيد تشخيص (IFIS) بناءً على التقرير الجراحي حيث ذكر الجراح الممارس صراحةً وجود المتلازمة.
• معالجة الصور: تم تغيير حجم صور الأشعة تحت الحمراء (التي كانت أصلاً 360×330 بتدرج الرمادي) لتصبح 224×224 بكسل، ممركزة حول الحدقة، وتحويلها إلى تنسيق (RGB tensors). تم تطبيق تقنيات تعزيز البيانات، بما في ذلك الانقلابات الأفقية/الرأسية وتقنية "تقطيع البيتزا" (تقسيم الصور إلى 4 أو 8 شرائح)، على مجموعة التدريب لمعالجة عدم توازن الفئات.
• بنيات النماذج:
  • تصنيف الأشعة تحت الحمراء: تم تقييم أربع بنيات للشبكات العصبية التلافيفية (CNN): (ConvNeXt-large-224)، و(ResNet-50)، و(EfficientNet-b7)، و(MobileNet). كانت جميعها مدربة مسبقاً على (ImageNet-1K) وتم ضبطها بدقة لمدة 20 حقبة (epoch).
  • تصنيف (OCT): تم تدريب نموذج (ResNet-50) على صور القطاع الأمامي (OCT).
  • كشف الشذوذ: تم استخدام نموذج (EfficientAd) (بنية الطالب-المعلم) للكشف عن (IFIS) كحالة شاذة ضمن مجموعة البيانات.
  • استراتيجية التصويت الجماعي: بالنسبة لصور (OCT)، تم تطبيق التصويت بالأغلبية عبر عدة صور لنفس العين لتحديد التصنيف النهائي.
• المعيار البشري الأساسي: قام جراحان خبيران في إعتام عدسة العين، مع حجب كافة البيانات السريرية عنهما، بتقييم يدوي لمجموعة فرعية مكونة من 100 صورة أشعة تحت حمراء لوضع معيار أداء بشري أساسي.
• التحليل الإحصائي: تم تقييم الأداء باستخدام المساحة تحت منحنى خصائص تشغيل المستقبِل (AUC)، والحساسية، والنوعية، والدقة. كما تم إجراء تحليل الانحدار اللوجستي متعدد المتغيرات لربط المتغيرات السريرية (مثل استخدام مثبطات ألفا-1، حجم الحدقة، عمق الغرفة الأمامية) بحدوث (IFIS).

النتائج الرئيسية

• الديموغرافيا السريرية: شملت المجموعة 243 عيناً (7.5%) تم تأكيد إصابتها بـ (IFIS). وُجدت فروق ذات دلالة إحصائية بين مجموعتي (IFIS) و(غير IFIS) فيما يتعلق بالعمر (أعلى في حالات IFIS)، واستخدام مثبطات ألفا-1 (14.3% مقابل 4.7%)، وعمق الغرفة الأمامية (أقل عمقاً في حالات IFIS)، وسُمك العدسة (أعرض في حالات IFIS)، وحجم الحدقة (أصغر في حالات IFIS).
• الانحدار اللوجستي متعدد المتغيرات: حقق النموذج القائم على المتغيرات السريرية مساحة (AUC) بلغت 70%. وشملت المتنبئات الرئيسية استخدام مثبطات ألفا-1 (نسبة أرجحية 1.14)، والجنس، وحجم الحدقة.
• المقيمون البشريون: حقق الجراحان البشريان مساحات (AUC) بلغت 55% و49% على التوالي عند تقييم صور الأشعة تحت الحمراء وحدها، مما يشير إلى قدرة محدودة على التنبؤ البصري بـ (IFIS) دون بيانات إضافية.
• أداء نماذج الذكاء الاصطناعي:
  • تصنيف الأشعة تحت الحمراء: حقق نموذج (ConvNeXt-large-224) أفضل أداء بين نماذج (CNN) بمساحة (AUC) بلغت 65.5%. سجلت النماذج الأخرى (EfficientNet-b7، MobileNet، ResNet-50) أداءً أقل، حيث تراوحت مساحات (AUC) بين 39.8% و54.6%. واجهت النماذج صعوبة في التعامل مع عدم توازن الفئات، حيث أظهرت استدعاءً ثنائياً منخفضاً (على سبيل المثال، 4.26% لنموذج ConvNeXt) رغم ارتفاع الاستدعاء الموزون.
  • تصنيف (OCT): حقق نموذج (ResNet-50) على صور (OCT) مساحة (AUC) بلغت 57.8% على الصور الفردية، والتي تحسنت إلى 61.7% عند تطبيق التصويت بالأغلبية.
  • كشف الشذوذ: حقق نموذج (EfficientAd) مساحة (AUC) بلغت 53.3% (53.5% في قسم النتائج)، مع استدعاء مثالي (100%) ولكن بدقة (precision) منخفضة (26.8%) ودقة إجمالية (accuracy) منخفضة (26.9%).

المساهمات والأهمية الرئيسية
تُظهر الدراسة أن خوارزميات الذكاء الاصطناعي يمكنها مساعدة أطباء العيون في تحديد المرضى المعرضين لخطر الإصابة بـ (IFIS) باستخدام التصوير الروتيني قبل الجراحة، مما قد يتفوق على أداء الجراحين الخبراء عند الاعتماد فقط على تحليل الصور. وتحديداً:

1. التفوق على التقييم البصري البشري: حقق أفضل نموذج ذكاء اصطناعي (ConvNeXt-large-224) مساحة (AUC) بلغت 65.5%، متجاوزاً أداء المقيمين البشريين (49-55%) في التنبؤ بـ (IFIS) من صور الأشعة تحت الحمراء وحدها.
2. تكامل وسائط التصوير: تثبت الدراسة فائدة كل من تصوير الأشعة تحت الحمراء وتصوير (OCT) لهذه المهمة، حيث حقق الانحدار اللوجستي متعدد المتغيرات (البيانات السريرية) أعلى مساحة (AUC) بلغت 70%، مما يشير إلى أن تحليل صور الذكاء الاصطناعي يكمل تقييم عوامل الخطر السريرية ولا يستبدلها.
3. معالجة عدم توازن الفئات: تسلط الدراسة الضوء على صعوبة اكتشاف (IFIS) بسبب انخفاض انتشارها (~7.5%) وما ينتج عن ذلك من عدم توازن في الفئات، مما يؤثر بشدة على دقة (precision) واستدعاء (recall) النماذج. وأشار المؤلفون إلى أنه بينما قدم كشف الشذوذ استدعاءً مثالياً، فإنه يتطلب مزيداً من التحسين لموازنة الدقة.

القيود والتوجهات المستقبلية
يقر المؤلفون بعدة قيود، بما في ذلك عدم توازن مجموعة البيانات، والتباين في تقارير الجراحين حول شدة (IFIS)، واستخدام صور الأشعة تحت الحمراء ذات التدرج الرمادي التي تفتقر إلى معلومات الألوان (مثل لون القزحية، المرتبط سابقاً بخطر الإصابة بـ IFIS). وتخلص الورقة إلى أنه بينما يظهر الذكاء الاصطناعي إمكانات واعدة، إلا أن هناك حاجة إلى المزيد من الأبحاث حول وسائط التصوير الأخرى وتحسين النماذج لتحسين دقة التنبؤ والتعميم قبل التطبيق السريري. لا تدعي الدراسة أن الذكاء الاصطناعي يمكنه حالياً استبدال الحكم السريري، بل يعمل كأداة تكميلية محتملة لتخطيط جراحي أكثر أماناً.