GlaucoFusionNet: A Causal Inference Aware Multimodal Explainable AI Framework with Counterfactual Reasoning for Glaucoma Risk Prediction

تعد العين البشرية عضواً معقداً، وأحد أخطر تهديداتها الصامتة هو الجلوكوما (المياه الزرقاء). تسبب هذه الحالة ضرراً بطيئاً للعصب البصري، وهو الكابل الذي ينقل المعلومات البصرية من العين إلى الدماغ، مما يؤدي غالباً إلى فقدان البصر بشكل غير قابل للاسترداد قبل أن يلاحظ الشخص حتى تلاشي رؤيته. لعقود من الزمن، اعتمد الأطباء على مزيج من فحص الجزء الخلفي من العين عبر كاميرا ومراجعة التاريخ الطبي للمريض لاكتشاف هذا المرض مبكراً. ومع ذلك، غالباً ما تعتمد الطرق التقليدية على رصد الأنماط التي تحدث معاً بالصدفة، بدلاً من فهم علاقات السبب والنتيجة الحقيقية التي تقود المرض. وبينما يمكن للحواسيب الحديثة الآن مسح صور العين بسرعة مذهلة، إلا أنها غالباً ما تعمل كـ "صناديق سوداء"، حيث تقدم تشخيصاً دون شرح السبب الذي أدى إلى وصولها لهذه النتيجة. وهذا النقص في الشفافية يجعل من الصعب على الأطباء الوثوق بالآلة، خاصة عندما تكون حياة المريض أو بصره على المحك. ولجسر هذه الفجوة، يعمل الباحثون الآن على بناء أنظمة لا تكتفي فقط بالتنبؤ بالمخاطر، بل تشرح أيضاً المنطق وراء التنبؤ وتحاكي كيف يمكن لتغيير الظروف الصحية للمريض أن يغير مستقبله.

لقد طور فريق من الباحثين إطار عمل حاسوبياً جديداً يسمى GlaucoFusionNet لمعالجة هذه التحديات. صُمم هذا النظام للنظر في نوعين من المعلومات في آن واحد: صور لشبكية العين، وهي الطبقة الحساسة للضوء في الجزء الخلفي من العين، والبيانات الطبية المهيكلة، مثل عمر المريض، وضغط الدم، والتاريخ المرضي لأمراض أخرى مثل السكري. وبدلاً من معاملة هذين المصدرين من المعلومات بشكل منفصل، يقوم إطار العمل بدمجهما معاً، مما يسمح للحاسوب بتعلم كيفية تفاعل المظهر الفيزيائي للعين مع الصحة العامة للمريض لخلق المخاطر. والهدف هو الانتقال من مجرد الارتباط البسيط، حيث يحدث شيئان معاً بالصدفة، إلى الاستدلال السببي، الذي يحدد العوامل التي تسبب فعلياً تطور المرض. ومن خلال القيام بذلك، يهدف النظام إلى تزويد الأطباء بتفسير واضح وموثوق لكل درجة خطورة يصدرها، مما يساعدهم على اتخاذ قرارات أفضل لمرضاهم.

اختبر الباحثون إطار العمل هذا باستخدام مجموعة كبيرة من صور العين والسجلات الطبية من قاعدة بيانات عامة تحتوي على بيانات لآلاف الأفراد. قاموا بتدريب الحاسوب على التعرف على العلامات الدقيقة للجلوكوما في صور قاع العين، بينما يقوم في الوقت نفسه بتحليل المتغيرات السريرية. تعلم النظام التركيز على مناطق محددة من العين، وخاصة القرص البصري، وهو النقطة التي يدخل منها العصب إلى العين. وعندما كان الحاسوب يصدر تنبؤاً، لم يكن يكتفي بإخراج نتيجة "نعم" أو "لا"؛ بل كان يولد خريطة حرارية بصرية تسلط الضوء بدقة على الأجزاء التي أثرت في قراره من صورة العين. وفي الاختبارات، حدد النظام بشكل صحيح آلاف العيون السليمة ومئات حالات الجلوكوما مع وجود أخطاء قليلة جداً، مما أثبت أن دمج بيانات الصورة مع التاريخ الطبي يخلق صورة أكثر دقة من النظر في أي منهما بمفرده.

بعيداً عن الدقة، بُني إطار العمل ليكون شفافاً. استخدم الباحثون أدوات سمحت لهم برؤية العوامل الطبية الأكثر أهمية لقرار الحاسوب. على سبيل المثال، أظهر النظام أنه بينما كان المظهر الفيزيائي للشبكية هو المحرك الأقوى للتشخيص، فإن عوامل مثل العمر ووجود السكري لعبت أيضاً أدواراً مهمة في رفع مستوى الخطورة. يساعد هذا النهج الأطباء على فهم أن الحاسوب لا يخمن عشوائياً، بل يزن أدلة محددة وذات صلة سريرية. كما ذهب النظام خطوة أبعد باستخدام طريقة تسمى "الاستدلال المقابل للواقع". سمح هذا للباحثين بطرح أسئلة "ماذا لو" حول المرضى الأفراد. حيث استطاعوا محاكاة سيناريو يتم فيه تقليل شدة مرض السكري لدى مريض ومراقبة كيف ستتغير تنبؤات الحاسوب بمخاطر الجلوكوما. هذه القدرة تحول هذه الأداة من مجرد حاسبة ثابتة إلى مساعد ديناميكي يمكنه مساعدة الأطباء في استكشاف مسارات علاجية مختلفة.

أظهرت نتائج الدراسة أن إطار العمل يمكنه تصنيف المرضى بفعالية إلى مجموعات مخاطر مختلفة. تم تحديد الغالبية العظمى من المرضى في مجموعة الاختبار على أنهم منخفضو المخاطر، بينما تم وضع عدد أقل منهم ضمن فئات متوسطة أو عالية الخطورة، مما يتطلب اهتماماً وثيقاً. نجح النظام في فصل هذه المجموعات بناءً على الأدلة المشتركة من صور العين والسجلات الطبية. ومن خلال تصور مستويات الخطورة هذه، يساعد إطار العمل الأطباء على تحديد أولويات المرضى الذين يحتاجون إلى رعاية فورية وأولئك الذين يمكن مراقبتهم بشكل أقل تكراراً. كما أكدت الدراسة أن العلاقات التي وجدها الحاسوب بين العوامل الصحية وأمراض العين تتطابق مع ما يعرفه الخبراء الطبيون بالفعل، مثل الارتباط بين ارتفاع نسبة السكر في الدم وتضرر العين. ويشير هذا التوافق إلى أن النظام يتعلم حقائق طبية حقيقية بدلاً من مجرد حفظ الأنماط في البيانات.

في نهاية المطاف، يمثل هذا العمل تحولاً في كيفية تطبيق الذكاء الاصطناعي في رعاية العيون. فبدلاً من العمل كعراف غامض يعطي حكماً نهائياً، يعمل GlaucoFusionNet كشريك تعاوني يوضح خطوات عمله. فهو يشرح سبب قلقه بشأن مريض معين، ويسلط الض الضوء على المناطق التي تحتاج إلى اهتمام في العين، ويسمح للأطباء باختبار كيف يمكن للتغيرات في صحة المريض أن تغير توقعاته المستقبلية. ورغم أن النظام تم اختباره على بيانات موجودة مسبقاً وليس في بيئة مستشفى حية بعد، إلا أن النتائج تشير إلى أن أداة كهذه يمكن أن تحسن بشكل كبير من موثوقية فحص الجلوكوما. ومن خلال جعل عملية اتخاذ القرار واضحة وقائمة على منطق السبب والنتيجة، يقدم إطار العمل مساراً واعداً نحو منع فقدان البصر من خلال رعاية طبية أكثر تبكيراً، وإدراكاً، وتخصيصاً.