Segmentation Techniques for Malaria Parasites and Sickle Cells in Peripheral Blood Smear Microscopy: A Systematic Review of Artificial Intelligence Approaches for Field Deployment in Endemic Regions

في الزوايا الهادئة للمختبر، يكشف المجهر عن عالم غير مرئي بالعين المجردة: طبقة رقيقة من الدم ممتدة على شريحة زجاجية، تعج بخلايا حمراء مستديرة صغيرة. بالنسبة للأطباء في المناطق التي يشيع فيها مرض الملاريا ومرض فقر الدم المنجلي، فإن فحص هذه الشرائح هو مهمة يومية ترتبط بالحياة أو الموت. يجب عليهم رصد الطفيليات المجهرية التي تسبب الملاريا أو تحديد الخلايا المشوهة ذات الشكل الهلالي التي تشير إلى مرض فقر الدم المنجلي. هذا العمل اليدوي بطيء، ومجهد، ويعتمد كلياً على الأعين الثاقبة والأيدي الثابتة لخبير مدرب. ولتخفيف هذا العبء، قضى العلماء عقوداً في تعليم الحواسيب كيفية النظر إلى هذه الصور وإيجاد نفس الأنماط التي يراها البشر. تتضمن العملية ثلاث خطوات رئيسية: أولاً، تنظيف الصورة لإزالة الضجيج؛ ثانياً، رسم خط حول كل خلية على حدة لفصلها عن جيرانها؛ وثالثاً، تحديد ماهية تلك الخلية. هذه الخطوة الأخيرة من رسم الخطوط، والمعروفة باسم "التجزئة" (segmentation)، هي الجسر الحرج بين الصورة الضبابية والتشخيص الموثوق. فبدونها، لا يمكن للحاسوب عد الخلايا أو معرفة ما إذا كان هناك طفيلي يختبئ داخل إحداها.

تجمع مراجعة منهجية جديدة خمسين دراسة موثقة لفحص مدى كفاءة هذه الأنظمة الحاسوبية، مع تركيز خاص على ما إذا كان بإمكانها العمل في الميدان حيث تشتد الحاجة إليها. قام الباحثون، المقيمون في جامعة مبارارا للعلوم والتكنولوجيا، بتحليل مجموعة واسعة من المنهجيات، بدءاً من الطرق القديمة والبسيطة وصولاً إلى الذكاء الاصطناعي الحديث والمعقد. وقد وجدوا أنه بينما توجد أدوات قوية جديدة، فإن الطريق نحو جهاز موثوق ومحمول للعيادات النائية لا يزال قيد التمهيد. تؤكد المراجعة أن الحواسيب يمكنها الآن عزل خلايا الدم الفردية وكشف الطفيليات بدقة عالية، لكنها تسلط الض الضوء أيضاً على أن هذه الأنظمة غالباً ما تواجه صعوبات عندما تتغير الإضاءة، أو عندما يكون صبغ الشريحة غير متساوٍ، أو عندما تتداخل الخلايا في تجمع فوضوي. وتأتي النتائج الأكثر واعداً من الأنظمة التي تجمع بين تقنيات مختلفة، ومع ذلك يحذر المؤلفون من أن العديد من الدراسات تعتمد على صور مثالية ومنسقة بدلاً من الواقع الفوضوي لمستشفيات الميدان.

تميز المراجعة بين نوعين رئيسيين من التكنولوجيا المستخدمة لرسم هذه الخطوط حول الخلايا. تعتمد المجموعة الأولى على الطرق الكلاسيكية، والتي تشبه اتباع مجموعة بسيطة من القواعد. تبحث هذه التقنيات عن الاختلافات في اللون أو السطوع لفصل الخلية عن الخلفية. وهي سريعة، وتتطلب قدرة حوسبية ضئيلة جداً، ويمكنها العمل على أجهزة بسيطة وغير مكلفة. ومع ذلك، يشير المؤلفون إلى أن هذه الطرق هشة؛ فإذا كان صبغ الدم داكناً قليلاً أو كان الضوء من المجهر غير متساوٍ، فقد يفشل الحاسوب في رؤية الخلية تماماً. أما المجموعة الثانية فتستخدم التعلم العميق، وهو شكل من أشكال الذكاء الاصطناعي الذي يتعلم التعرف على الأنماط من خلال دراسة آلاف الأمثلة. هذه الأنظمة، التي تُبنى غالباً على بنيات مثل (U-Net)، أفضل بكثير في التعامل مع المواقف الصعبة، مثل الخلايا المتلامسة أو المتداخلة، أو الصور التي تتباين جودتها. يمكنها تعلم الأشكال الدقيقة للخلية المنجلية أو النقطة الصغيرة للطفيلي حتى لو لم تكن الصورة مثالية. ومع ذلك، تتطلب هذه الأنظمة القوية قدرة حوسبية أكبر وكميات كبيرة من البيانات المصنفة لتدريبها، مما قد يشكل عائقاً في البيئات محدودة الموارد.

عند النظر تحديداً في حالة الملاريا، تظهر الدراسات تطوراً واضحاً من مجرد العد البسيط إلى الكشف المتطور. ركز العمل المبكر على فصل خلايا الدم الحمراء المصابة عن السليمة باستخدام اللون والشكل. وتستخدم الأنظمة الأحدث من التعلم العميق ليس فقط للعثور على الخلايا، بل لتحديد المرحلة المحددة للطفيلي داخلها. إحدى الدراسات البارزة، وهي (RBCNet)، جمعت بين نموذج تعلم عميق يقوم بتجميع الخلايا مع نظام كشف يعمل على تحسين موقع كل منها، ونجحت في تحليل ما يقرب من 200,000 خلية من مئات المرضى. واستخدم نظام آخر مجهراً متصلاً بالهاتف المحمول للكشف عن الطفيليات، مما أثبت أن المعدات المختبرية عالية المستوى ليست ضرورية بشكل صارم. ومع ذلك، تشير المراجعة إلى أن العديد من هذه النجاحات تحققت على مجموعات بيانات تم إعدادها بعناية في المختبر، مما يثير تساؤلات حول مدى كفاءة أدائها على شريحة يعدها فني في قرية نائية باستخدام مستلزمات صبغ وإضاءة مختلفة.

بالنسبة لمرض فقر الدم المنجلي، فإن التحدي مختلف قليلاً. يعتمد التشخيص على رصد الشكل الصلب والفريد للخلايا المنجلية، والتي غالباً ما تتشابك مع الخلايا المستديرة السليمة. وهنا، تعد القدرة على فصل الخلايا المتداخلة هي العامل الأكثر أهمية. تسلط المراجعة الضوء على مثال ناجح للغاية للنشر الميداني حيث عالج نظام مجهر مرتبط بهاتف ذكي مسحة دم المريض في أقل من سبع ثوانٍ. ومن خلال استخدام نموذج تعلم عميق لتقسيم الصورة إلى خلايا سليمة، وخلايا منجلية، وخلفية، حقق النظام دقة تبلغ حوالي 98 بالمائة في اختبار أعمى. تشير هذه النتيجة إلى أنه مع الجمع الصحيح بين تحسين الصورة والتجزئة، يمكن لجهاز محمول أن يوفر فحصاً سريعاً وموثوقاً خارج المختبر التقليدي.

رغم هذه التطورات المشجعة، يحدد المؤلفون فجوات كبيرة تمنع هذه التقنيات من أن تصبح أدوات قياسية في المناطق الموبوءة. العقبة الأكبر هي نقص البيانات الموحدة. تستخدم العديد من الدراسات مجموعات بيانات صغيرة لا تمثل التنوع الكامل لعينات الدم التي تُرى في العالم الحقيقي، وقلما يتم اختبار الأنظمة عبر مستشفيات مختلفة أو باستخدام أنواع مختلفة من المجاهر. هناك أيضاً نقص في الشفافية فيما يتعلق بالمتطلبات العملية لهذه الأنظمة. فالعديد من الأوراق البحثية تسجل دقة عالية ولكنها تفشل في ذكر المدة التي يستغرقها التحليل، أو مقدار الذاكرة التي يحتاجها البرنامج، أو مقدار استهلاك البطارية. لكي يكون الجهاز مفيداً في عيادة ميدانية، يجب أن يعمل دون اتصال بالإنترنت، ويعمل ببطارية بسيطة، ويقدم نتيجة بسرعة كافية لمساعدة الطبيب في اتخاذ قرار في الوقت الفعلي.

تخلص المراجعة إلى أن مستقبل تحليل مسحات الدم يكمن في الأنظمة الهجينة التي توازن بين القوة والعملية. وبينما يوفر التعلم العميق قدرة فائقة على التكيف مع أشكال الخلايا المعقدة والمجموعات المتداخلة، لا تزال الطرق الكلاسيكية تحتفظ بقيمتها لسرعتها وتكلفتها المنخفضة. والمسار الأكثر فعالية، وفقاً للمؤلفين، هو تطوير أنظمة تكون قوية ضد التباينات في الصبغ والإضاءة، ومحققة عبر مواقع متعددة باستخدام بيانات مرضى حقيقية، ومصممة للعمل على أجهزة محمولة ومنخفضة التكلفة. وحتى تتمكن هذه الأنظمة من التعامل مع تقلبات الميدان بنفس الكفاءة التي تتعامل بها مع البيئة المنضبطة في المختبر، فإن الوعد بالتشخيص الآلي الكامل والمتاح للملاريا ومرض فقر الدم المنجلي سيظل بعيد المنال. التكنولوجيا جاهزة، لكن الجسر نحو العيادة يتطلب أكثر من مجرد الدقة؛ إنه يتطلب المرونة، والبساطة، وفهماً عميقاً للظروف التي ستُستخدم فيها هذه الأدوات فعلياً.