Automated Detection of Soil-Transmitted Helminths and Schistosomiasis with Mobile Deployment of a Quantized MobileNetV2 Model from microscopic images
تقدم هذه الدراسة نظام تشخيص يعتمد على الهاتف المحمول ويعمل دون اتصال بالإنترنت، باستخدام نموذج MobileNetV2 مكمّم لتحقيق كشف عالي الدقة وفي الوقت الفعلي للديدان الطفيلية المنقولة بالتربة وداء البلهارسيا من الصور المجهرية، مما يوفر حلاً منخفض التكلفة للتشخيص في نقاط الرعاية في المناطق ذات الموارد المحدودة.
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
في أجزاء كثيرة من العالم، يعتمد تشخيص الإصابات الطفيلية على طريقة لم تتغير بشكل كبير منذ عقود: حيث يقوم فني بالنظر عبر مجهر إلى مسحة رقيقة من البراز للعثور على بيوض صغيرة وضعتها الديدان. هذه العملية، المعروفة باسم تقنية "كاتو-كاتز" (Kato-Katz)، هي الطريقة القياسية لتحديد الديدان المنقولة بالتربة وداء البلهارسيا، وهما مجموعتان من الطفيليات تصيب مئات الملايين من الناس، لا سيما في المناطق ذات الموارد المحدودة. ومع ذلك، فإن هذا النهج اليدوي بطيء، ويتطلب جهداً كبيراً، ويعتمد كلياً على مهارة وبصر الشخص الذي ينظر عبر العدسة. وفي المناطق النائية حيث يندر وجود الخبراء المدربين وتكون الاتصالات بالإنترنت غير موثوقة، فإن التأخير في اكتشاف هذه الإصابات قد يعني الفرق بين العلاج الفعال وانتشار المرض. إن التحدي الذي يواجه الطب الحديث ليس فقط إيجاد طريقة أفضل لرؤية هذه الطفيليات، بل ابتكار أداة محمولة، وبأسعار معقولة، وقادرة على العمل دون اتصال بجهاز كمبيوتر قوي أو بسحابة إلكترونية.
ولمعالجة ذلك، طور فريق من الباحثين من جامعات في إثيوبيا نظاماً يحول هاتف أندرويد قياسياً ومنخفض التكلفة إلى مساعد تشخيصي. لقد ركزوا على بناء نموذج برمجيات يمكنه النظر في صورة مجهرية لبيضة طفيل وإخبار المستخدم فوراً بنوع الإصابة الموجودة. قام الفريق بتدريب عقل رقمي، وتحديداً نوع من الذكاء الاصطناعي يُعرف بالشبكة العصبية التلافيفية (convolutional neural network)، باستخدام مجموعة مكونة من 1,490 صورة مأخوذة من شرائح مختبرية حقيقية. مثلت هذه الصور خمس فئات مختلفة: بيوض ثلاثة أنواع من الديدان المستديرة، وبيض نوع معين من المثقوبات، وعينات لم تظهر أي إصابة على الإطلاق. كان الهدف هو تعليم الكمبيوتر التعرف على الأشكال والأنسجة الفريدة لهذه البيوض بحيث يمكنه إجراء نفس عملية التحديد التي يقوم بها الخبير البشري، ولكن في جزء ضئيل من الوقت.
اختار الباحثون بنية محددة لعقلهم الرقمي تسمى "MobileNetV2"، وهي مصممة لتكون خفيفة الوزن وفعالة. وخلافاً للنماذج الضخمة التي تتطلب حواسيب فائقة لتشغيلها، فقد صُممت هذه النسخة لتعمل على قدرات المعالجة والذاكرة المحدودة للهواتف المحمولة. وبعد تدريب النموذج على كمبيوتر قوي مجهز بوحدة معالجة رسوميات NVIDIA Tesla T4، واجه الفريق عقبة حرجة: كان النموذج لا يزال كبيراً جداً ليعمل بسلاسة على الهواتف الرخيصة المستخدمة في العيادات الريفية. ولحل هذه المشكلة، طبقوا تقنية تسمى "تكميم ما بعد التدريب" (post-training quantization). هذه العملية تشبه ضغط صورة عالية الدقة إلى ملف أصغر حجماً دون فقدان التفاصيل اللازمة للتعرف على الموضوع. ومن خلال تحويل الحسابات الداخلية للنموذج من أرقام معقدة وعالية الدقة إلى أرقام صحيحة أبسط وأقل دقة، تمكنوا من تقليل حجم الملف من حوالي 26 ميجابايت إلى 2.8 ميجابايت فقط. سمح هذا الضغط للنموذج بأن يتناسب بسهولة مع مساحة تخزين الهاتف مع الاحتفاظ بقدرته على تحديد الطفيليات بدقة.
بمجرد ضغط النموذج، قام الفريق بدمجه في تطبيق للهاتف المحمول تم بناؤه باستخدام أداة تطوير متعددة المنصات، مما يسمح للبرنامج بالعمل على أجهزة أندرويد دون الحاجة إلى اتصال بالإنترنت. اختبروا هذا النظام على هاتفين مختلفين: هاتف سامسونج A15 متوسط المدى بذاكرة 4 جيجابايت، وهاتف تكنو سبارك 4 (Tecno Spark 4) الأكثر اقتصاداً والذي يحتوي على 2 جيجابايت فقط. أظهرت النتائج أن النظام عمل بفعالية على كلا الجهازين. في هاتف سامسونج، استطاع الهاتف تحليل الصورة وتقديم التشخيص في حوالي 68 مللي ثانية، وهو وقت سريع بما يكفي ليشعر المستخدم وكأنه محادثة حقيقية. أما في جهاز تكنو الأبطأ، فقد استغرقت العملية حوالي 112 مللي ثانية، وهي لا تزال سريعة بما يكفي للاستخدام العملي في عيادة مزدحمة. نجح التطبيق في تحديد الطفيليات بالكامل على الجهاز، مما يعني أن العامل الصحي في قرية لا تتوفر فيها كهرباء أو إنترنت يمكنه التقاط صورة لشريحة وتلقي تقييم آلي فوري.
من حيث الدقة، كان أداء النظام جيداً بشكل عام، حيث حدد نوع الإصابة بشكل صحيح في حوالي 89 بالمائة من حالات الاختبار. كان النموذج بارعاً بشكل خاص في رصد بيوض طفيل البلهارسيا، محققاً نسبة نجاح شبه كاملة لهذا النوع المحدد. كما كان أداؤه قوياً مع أنواع الديدان الأخرى، رغم أنه كان يخلط أحياناً بين بيوض نوع من الديدب المستديرة ونوع آخر، وهو أمر شائع حتى بالنسبة للخبراء البشر عندما تكون السمات البصرية متشابهة جداً. وأشار الباحثون إلى أنه بينما يعد النظام فعالاً للغاية، فإنه ليس بديلاً للمتخصص المختبري المؤهل، بل يعمل كأداة فحص قوية يمكنها المساعدة في تحديد أولويات الحالات وتسريع عملية التشخيص في المناطق التي يندر فيها الخبراء.
يخلص البحث إلى أن هذا النهج يقدم مساراً عملياً لتحسين الرعاية الصحية في البيئات محدودة الموارد. فمن خلال الجمع بين نموذج ذكاء اصطناعي خفيف الوزن وتطبيق بسيط للهاتف المحمول، أثبت الباحثون أن قدرات التشخيص المتقدمة يمكن جلبها مباشرة إلى نقطة تقديم الرعاية. لا يتطلب النظام خوادم باهظة الثمن، أو اتصالاً مستمراً بالإنترنت، أو أجهزة متخصصة للغاية؛ فهو يتطلب ببساطة هاتفاً ذكياً ومجهراً، مما يحول جهازاً موجوداً في الكثير من الجيوب إلى أداة يمكنها المساعدة في اكتشاف وإدارة الأمراض الطفيلية بكفاءة أكبر. وبينما يقر الباحثون بإمكانية تحسين النموذج بمزيد من البيانات والاختبار عبر مناطق مختلفة، فإن النتائج الحالية تثبت أن نظام التشخيص الآلي الذي يعمل دون اتصال بالإنترنت ليس مجرد إمكانية نظرية، بل هو واقع عامل يمكن نشره اليوم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.