Interpretable Fundus Image Classification via Ring-Based Retinal Vasculature Features
تقدم هذه الدراسة إطار عمل لتصنيف صور قاع العين قابل للتفسير، يستخدم واصفات الأوعية الدموية الشبكية القائمة على الحلقات لتحقيق أداء مماثل للنماذج سابقة التدريب واسعة النطاق، مع توفير شفافية معززة وتطلب حداً أدنى من بيانات التدريب الخاصة بالمهمة.
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
يعتمد ملايين الأشخاص يومياً على تصوير قاع العين الشبكي، وهي تقنية كاميرا متخصصة تلتقط الجزء الخلفي من العين، للكشف عن الأمراض التي تهدد البصر. تحمل هذه الصورة البسيطة ثروة من المعلومات حول صحة الجسم، لا سيما فيما يتعلق بحالات مثل اعتلال الشبكية السكري والمياه الزرقاء (الجلوكوما)، وهي من الأسباب الرئيسية للعمى في جميع أنحاء العالم. لعقود من الزمن، قام الأطباء بفحص هذه الصور بالعين المجردة، بحثاً عن تغيرات دقيقة في الشبكة الحساسة للأوعي الدموية التي تغذي الشبكية. فهم يتحققون من الأوعية التي أصبحت واسعة جداً، أو ملتوية جداً، أو تغير لونها، مستخدمين هذه الدلائل البصرية لتشخيص المرض. ومع ذلك، يمكن أن يختلف هذا التقدير البشري من طبيب لآخر، كما أن الحجم الهائل للصور يجعل الفحص المتسق والسريع أمراً صعباً. وفي السنوات الأخيرة، تم تدريب برامج حاسوبية قوية تُعرف بنماذج التعلم العميق لقراءة هذه الصور تلقائياً، وغالباً ما تضاهي أو تتجاوز دقة البشر. ومع ذلك، تعمل هذه البرامج مثل "الصناديق السوداء"؛ فهي تضع تشخيصاً بناءً على أنماط معقدة وخفية يستحيل على الإنسان رؤيتها أو فهمها، مما يترك الأطباء غير متأكدين من سبب وصول الحاسوب إلى استنتاجه.
تقدم دراسة جديدة من باحثين في جامعة تورنتو، وجامعة دنك سان كونغشان، وجامما يورك، مساراً مختلفاً. فبدلاً من الاعتماد على الأنماط الخفية، طوروا طريقة تفكك صورة العين إلى سلسلة من الحلقات متحدة المركز، تشبه حلقات الشجرة، وتتمركز حول القرص البصري حيث تدخل الأوعية الدموية الرئيسية إلى العين. ومن خلال قياس خصائص محددة ومفهومة للأوعية الدموية داخل كل حلقة — مثل سمكها، وطريقة تفرعها، ولونها، وتباينها مع الأنسجة المحيطة — أنشأ الفريق خريطة واضحة وشفافة لصحة الأوعية الدموية في العين. هذا النهج لا يخبر الطبيب فحسب ما إذا كان المريض مصاباً بمرض ما، بل يشرح بالضبط أي أجزاء من شبكة الأوعية الدموية وأي سمات بدنية محددة أدت إلى هذا الاستنتاج. وقد وجد الباحثون أن هذه الطريقة، التي تعتمد على القياسات المباشرة بدلاً من الخوارزميات الخفية، يمكنها تصنيف أمراض العين بدقة عالية، مما يضاهي أداء أكثر نماذج الكمبيوتر تعقيداً وتطوراً، مع بقائها مفهومة تماماً للمراقب البشائي.
يكمن جوهر هذا العمل في كيفية تنظيم الباحثين للمعلومات. فقد قسموا صورة قاع العين إلى مناطق دائرية تشع من القرص البصري نحو الخارج. وفي كل منطقة، قاموا بحساب أربعة أنواع متميزة من المعلومات. أولاً، قاسوا هندسة الأوعية، حيث عدوا عدد التفرعات ومدى المساحة التي تغطيها الأوعية الدموية. ثانياً، حللوا لون الأوعية، من خلال البحث في التوازن بين الضوء الأحمر والأخضر، مما قد يشير إلى كمية الأكسجين التي يحملها الدم. ثالثاً، فحصوا نسيج المنطقة المحيطة بالأوعية مباشرة، للتحقق من التغيرات الطفيفة في الخلفية التي قد تشير إلى المرض. وأخيراً، دمجوا هذه القياسات في مجموعة واحدة مدمجة من الأرقام لكل صورة. هذه العملية تحول صورة ملونة ومعقدة إلى قائمة مهيكلة من الحقائق التي يمكن لمصنف حاسوبي بسيط قراءتها. والنتيجة هي نظام ليس دقيقاً فحسب، بل هو أيضاً قابل للتفسير، مما يسمح للطبيب برؤية أي حلقة أو أي سمة ساهمت أكثر في التشخيص.
عندما اختبر الباحثون هذا النظام القائم على الحلقات على ثلاث مجموعات مختلفة من صور العين العامة، كانت النتائج مذهلة. ففي إحدى مجموعات البيانات التي تحتوي على صور عالية الجودة مع خرائط أوعية رسمها خبراء، حققت الطريقة دقة مثالية. وفي مجموعة بيانات أخرى ذات جودة أقل وأكثر تحدياً، ظلت تعمل بشكل استثنائي، مما يضاهي دقة نموذج RETFound، وهو نموذج ذكاء اصطناعي متطور تم تدريبه على أكثر من 1.6 مليون صورة شبكية. وتعتبر هذه المقارنة مهمة لأنها تشير إلى أن طريقة الباحثين البسيطة والشفافة يمكنها منافسة نماذج التعلم العميق الضخمة والمعقدة دون الحاجة إلى كميات هائلة من البيانات أو القدرة الحوسبية. في الواقع، كشفت الدراسة أن هذه النماذج المتقدمة من التعلم العميق قد تعتمد أحياناً على طرق مختصرة؛ فعندما قام الباحثون بتغيير خلفية الصور أو تغيير حجم مجال الرؤية المرئي، انخفض أداء نماذج التعلم العميق بشكل كبير. وهذا يشير إلى أن هذه النماذج المتقدمة كانت أحياناً تلتقط أدلة تتعلق بكيفية التقاط الصورة — مثل إعدادات الكاميرا أو التأطير المحدد — بدلاً من العلامات البيولوجية للمرض. وفي المقابل، ظل النهج القائم على الحلقات مستقراً لأنه ركز حصرياً على الخصائص الفيزيائية للأوعية الدموية نفسها.
كما استكشفت الدراسة كيف تؤثر جودة خرائط الأوعية الأولية على التشخيص النهائي. ففي الحالات التي كان على الحاسوب فيها تخمين موقع الأوعية الدموية تلقائياً، كانت الدقة أقل قليلاً مما لو قدم الخبراء الخرائط، لكنها كانت لا تزال قوية جداً. وهذا يشير إلى أنه بينما يعد الكشف الدقيق عن الأوعية أمراً مهماً، فإن الطريقة قوية بما يكفي للتعامل مع الاختلافات في جودة الصور في العالم الحقيقي. علاوة على ذلك، وجد الباحثون أن أنواعاً مختلفة من السمات كانت مهمة بطرق مختلفة؛ فعلى سبيل المثال، وفرت القياسات المتعلقة بلون وأكسجة الدم معلومات فريدة لا يمكن للهندسة وحدها التقاطها. وعندما أزالوا السمات القائمة على اللون من نموذجهم، انخفضت الدقة بشكل ملحوظ، مما يثبت أن الجمع بين الشكل واللون والنسيج ضروري للحصول على صورة كاملة.
ولعل الأهم من ذلك هو أن الباحثين أثبتوا إمكانية فهم طريقتهم. فقد أنشأوا خرائط حرارية بصرية تسلط الضوء بالضبط على الحلقات التي تدعم التشخيص. فبالنسبة للعين السليمة، يشير النظام إلى حلقات محددة حيث تتطابق أنماط الأوعية مع المعايير الصحية. أما بالنسبة للعين المصابة، فهو يسلط الضوء على الحلقات التي تكون فيها الأوعية رفيعة جداً، أو ملتوية جداً، أو ذات لون خاطئ. هذا المستوى من الشفافية هو أمر تجد نماذج التعلم العميق صعوبة في توفيره؛ فبينما قد يقول نموذج التعلم العميق "هذا هو الجلوكوما"، فإنه غالباً لا يستطيع شرح السبب. ومع ذلك، يمكن للطريقة القائمة على الحلقات أن تقول "هذا هو الجلوكوما لأن الأوعية في الحلقة الأقرب إلى القرص البصري أرفع بكثير من المعتاد". إن هذه القدرة على ربط التشخيص مباشرة بتغير فيزيائي قابل للقياس تجعل هذه الأداة قيمة ليس فقط للفحص، بل لفهم تطور المرض أيضاً.
وقد أشار الباحثون بعناية إلى حدود عملهم؛ فهذه الطريقة تعتمد على القدرة على تحديد الأوعية الدموية بدقة في المقام الأول، فإذا كانت الصورة ضبابية جداً أو كانت الأوعية باهتة جداً، فقد تكون القياسات أقل موثوقية. كما أقروا بأن قياسات الألوان لديهم هي قياسات نسبية وليست معايرة وفق معايير فسيولوجية مطلقة، مما يعني أنها تُستخدم بشكل أفضل لمقارنة الصور بدلاً من قياس مستويات الأكسجين الدقيقة. وبالرغم من هذه القيود، تشير الدراسة إلى اتجاه واعد لمستقبل التصوير الطبي. فمن خلال العودة إلى الخصائص الأساسية والملموسة للعين وتنظيمها بطريقة تحاكي الفهم التشريحي البشري، أنشأ الباحثون أداة تتسم بالقوة والشفافية في آن واحد. إنها تقدم وسيلة لتسخير سرعة الحواسيب دون فقدان القدرة على الثقة في التشخيص وفهمه، مما يسد الفجوة بين البيانات المعقدة والرؤية السريرية. وفي عصر أصبح فيه الذكاء الاصطناعي متطوراً بشكل متزايد، تذكرنا هذه الدراسة بأن الأداة الأكثر فعالية أحياناً هي تلك التي تتحدث نفس لغة الطبيب الذي يستخدمها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.