A Hybrid OCTA Framework Integrating Quantitative Handcrafted Biomarkers and Deep Learning for Automated Diabetic Retinopathy Grading
تقدم هذه الدراسة إطار عمل هجين للتصوير المقطعي للتماسك البصري الزاوي (OCTA) يجمع بين المؤشرات الحيوية المصممة يدويًا وميزات التعلم العميق والاختيار الموجه بالاستقرار لتحقيق تصنيف آلي قوي وعالي الدقة لاعتلال الشبكية السكري، حيث حقق النموذج الأفضل أداءً (ViT-B16 + المؤشرات الحيوية المصممة يدويًا + XGBoost) مساحة تحت المنحنى (AUC) بلغت 0.95.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
يعد مرض السكري حالة جهازية تؤثر على الجسم بأكمله، ولكن أحد أكثر عواقبه ضرراً يحدث في العينين. فمع مرور الوقت، يمكن لارتفاع نسبة السكر في الدم أن يتلف الشبكة الدقيقة من الأوعية الدموية الصغيرة في الشبكية، وهي الأنسجة الحساسة للضوء الموجودة في الجزء الخلفي من العين. هذا الضرر، المعروف باسم اعتلال الشبكية السكري، يتقدم عبر مراحل متميزة؛ حيث يبدأ بتغيرات غير تكاثرية، حيث تضعف الأوعية الصغيرة وتتسرب، ويمكن أن يتطور إلى مرحلة تكاثرية حيث تحاول العين إصلاح نفسها عن طريق نمو أوعية جديدة هشة غالباً ما تسبب فقداناً شديداً في الرؤية. إن اكتشاف هذا التحول مبكراً أمر بالغ الأهمية، لأنه يحدد ما إذا كان المريض يحتاج إلى مجرد مراقبة بسيطة أو علاج عاجل لمنع العمى.
لعقود من الزمن، اعتمد الأطباء على الفحص اليدوي لصور العين لرصد هذه التغيرات. ومع ذلك، فإن هذه العملية ذاتية ويمكن أن تختلف من اختصاصي لآخر. وفي السنوات الأخيرة، ظهرت تقنية تسمى التصوير المقطعي للتماسك البصري الزاوي (OCTA) كأداة قوية. وخلافاً للطرق القديمة التي كانت تتطلب حقن صبغة في الوريد، يستخدم تقنية (OCTA) الضوء لإنشاء خرائط ثلاثية الأبعاد مفصلة للأوعية الدموية في الشبكية دون الحاجة إلى إبر. وهي تكشف عن صحة الأوعية الدموية الدقيقة بوضوح مذهل. ومع ذلك، لا يزال تفسير هذه الخرائط المعقدة يعتمد بشكل كبير على العيون البشرية، والتي قد تغفل عن العلامات الدقيقة لتطور المرض. لقد كان التحدي الذي واجهه الباحثون هو بناء نظام حاسوبي يمكنه قراءة هذه الصور بدقة تضاهي دقة الطبيب، ولكن مع اتساق وسرعة الآلة.
لقد طور فريق من الباحثين نهجاً جديداً لحل هذه المشكلة من خلال الجمع بين طريقتين مختلفتين للنظر في البيانات. فبدلاً من الاعتماد فقط على قدرة الحاسوب على "رؤية" الأنماط في الصورة، أو فقط على قدرة الطبيب على قياس سمات وعائية محددة، أنشأوا نظاماً هجيناً يقوم بالاثنين معاً. دمجت طريقتهم، المفصلة في دراسة حديثة، بين المؤشرات الحيوية التقليدية المقاسة يدوياً وتقنيات التعلم العميق المتقدمة. بدأ الباحثون بجمع مجموعة كبيرة من صور (OCTA) لـ 377 مريضاً، بما في ذلك بيانات من قاعدة بيانات عامة ومجموعة محلية في إيران. تم تنظيف هذه الصور وتحسينها بعناية باستخدام مسار متخصص مصمم لإزالة الضجيج وشحذ رؤية الأوعية الدموية، مما يضمن أن يعمل الحاسوب على أوضح صورة ممكنة.
يكمن جوهر ابتكارهم في كيفية تعليم الحاسوب تحليل هذه الصور. أولاً، استخرجوا المئات من القياسات المحددة المصنوعة يدوياً؛ شملت هذه بيانات كمية حول الأوعية الدموية، مثل كثافتها، ومدى التواء شكلها، وحجم المنطقة المركزية الفارغة حيث لا توجد أوعية. كما تضمنت قياسات هيكلية لطبقات الشبكية وبيانات سريرية مثل مستويات السكر في الدم. وبالتزامن مع ذلك، قاموا بتغذية الصور في ثلاثة أنواع مختلفة من نماذج الذكاء الاصطناعي المتقدمة. هذه النماذج، التي تدربت على ملايين الصور العامة، تعلمت التعرف على الأنماط والقوام المعقدة التي قد لا يحددها الإنسان بشكل صريح. ثم قام الباحثون بدمج هاتين المجموعتين من المعلومات —القياسات البيولوجية الدقيقة والرؤى القائمة على الأنماط المجردة من نماذج التعلم العميق— في مجموعة بيانات موحدة واحدة.
ولضمان عدم إثقال النظام بالكثير من المعلومات، طبق الفريق عملية اختيار صارمة. استخدموا طريقة موجهة بالاستقرار لتصفية البيانات الزائدة أو غير الموثوقة، مع الاحتفاظ فقط بالسمات التي ساعدت باستمرار في التمييز بين مراحل المرض المختلفة. قللت هذه العملية عدد المتغيرات بنسبة تزيد عن 96 بالمائة، تاركة وراءها مجموعة مدمجة وفعالة للغاية من المؤشرات الحيوية. وتبين أن السمات الأكثر إفادة كانت متعلقة بالأوعية الدموية نفسها، وخاصة كثافتها وتعقيدها، مما يؤكد أن صحة الأوعية الدموية الدقيقة هي العلامة الأكثر دلالة على تطور المرض.
عندما اختبر الباحثون نظامهم الهجين، كانت النتائج مقنعة. فقد حقق الجمع بين المؤشرات الحيوية المصنوعة يدوياً وسمات التعلم العميق، من خلال معالجتها عبر نوع معين من خوارزميات تعلم الآلة، مستوى عالياً من الدقة في تصنيف شدة اعتلال الشبكية السكري. كان النظام ناجحاً بشكل خاص في التمييز بين المرحلتين المتوسطة والشديدة من المرض، وهو انتقال يصعب على البشر غالباً تحديده بدقة. وجدت الدراسة أن خطوة المعالجة المسبقة، التي قامت بتنظيف وتحسين الصور، كانت حاسمة؛ فبدونها، واجهت نماذج التعلم العميق صعوبة في الأداء الجيد. إن التكوين الأفضل أداءً، والذي جمع بين الصور المحسنة ومجموعة السمات الهجينة، حدد مراحل المرض بدقة تشير إلى أنه يمكن أن يكون أداة موثوقة للاستخدام السريري.
يؤكد الباحثون أن عملهم يبرز قيمة المزج بين المعرفة الطبية المحددة بشرياً وقوة التعرف على الأنماط التي يتمتع بها الذكاء الاصطناعي. ومن خلال إثبات أن هذين النهجين يكمل كل منهما الآخر، فقد أنشأوا إطاراً أكثر قوة من أي طريقة مستخدمة بمفردها. وبينما أجريت الدراسة على مجموعة محددة من الصور وتتطلب مزيداً من الاختبارات على مجموعات أكبر وأكثر تنوعاً من المرضى، فإن النتائج تقدم مساراً واعداً للمضي قدماً. يمكن لهذا الإطار الهجين أن يساعد الأطباء في نهاية المطاف على اتخاذ قرارات أسرع وأكثر اتساقاً بشأن رعاية المرضى، مما يضمن تطبيق العلاج المناسب في الوقت المناسب للحفاظ على الرؤية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.