Visual Foundation Models with Adapter Learning for Parkinson’s Disease Recognition based on OCT Images

يُعد مرض باركنسون حالة تدريجية تضعف قدرة الجسم على الحركة ببطء، مما يؤثر على الملايين من الناس حول العالم. ولعقود من الزمن، اعتمد الأطباء على مراقبة الأعراض الجسدية لتشخيصه، ولكن بحلول الوقت الذي تظهر فيه تلك العلامات، يكون قد حدث بالفعل ضرر كبير في الدماغ. وفي السنوات الأخيرة، اكتشف العلماء أن المرض يترك آثاراً دقيقة ليس فقط في الدماغ، بل أيضاً في الشبكية، وهي الطبقة الحساسة للضوء الموجودة في الجزء الخلفي من العين. وباستخدام تقنية تصوير متخصصة تسمى التصوير المقطعي للتماسك البصري، والتي تنشئ مقاطع عرضية مفصلة للعين، أصبح بإمكان الباحثين الآن رؤية هذه التغييرات المجهرية. وكان التحدي يكمن في أن الصور معقدة، وأن تعليم الحواسيب التمييز بين العين السليمة وتلك التي تظهر عليها علامات مبكرة لمرض باركنسون يتطلب كميات هائلة من البيانات وقدرة حوسبية ضخمة، وهي موارد غالباً ما تكون نادرة في المؤسسات الطبية.

وقد طور فريق من الباحثين من جامعة ونتشو الطبية في الصين نهجاً جديداً لحل هذه المشكلة، بهدف جعل التشخيص الآلي أكثر سهولة وكفاءة. فبدلاً من بناء نموذج حاسوبي ضخم من الصفر، وهو أمر يتطلب مجموعات بيانات هائلة وأجهزة باهظة الثمن، قاموا بتكييف نظام ذكاء اصطناعي قوي وموجود مسبقاً مصمم للتعرف العام على الصور. هذا النظام، المعروف باسم "النموذج التأسيسي البصري"، يفهم بالفعل اللبنات الأساسية للصور. ويكمن ابتكار الباحثين في كيفية ربط هذا النظام العام بالمهمة المحددة المتمثلة في تحديد مرض باركنسون؛ إذ لم يجبروا النظام بأكمله على إعادة تعلم كل شيء، بل قاموا بإدراج ثلاثة مكونات صغيرة وخفيفة الوزن، أو "مهايئات" (adapters)، داخل النموذج. تعمل هذه المهايئات مثل عدسات متخصصة، مما يسمح للنظام بالتركيز على التفاصيل المحددة في مسحات العين التي تهم مرض باركنسون، مثل الآفات الصغيرة أو التغيرات الطفيفة في طبقات الأنسجة، دون الحاجة إلى إعادة كتابة المعرفة الجوهرية للنموذج.

اختبر الفريق هذه الطريقة على مجموعة تضم 1,440 صورة للعين جُمعت من مرضى في مستشفاهم. تضمنت مجموعة البيانات مسحات من 40 شخصاً سليماً و40 مريضاً تم تشخيصهم بمرض باركنسون، حيث ساهم كل شخص بـ 18 صورة. ولضمان موثوقية النتائج، قاموا بتقسيم البيانات إلى مجموعات، حيث تم تدريب النظام على معظم الصور واختباره على الجزء المتبقي، مع تكرار هذه العملية خمس مرات للحصول على صورة واضحة للأداء. وأظهرت النتائج أن نظامهم المعدل يمكنه تحديد مرض باركنسون بدقة تبلغ حوالي 77.66 بالمائة. وكان هذا الأداء منافساً لـ، وفي بعض الحالات أفضل من، النماذج الحاسوبية المتقدمة الأخرى المستخدمة حالياً لمهام مماثلة. والأهم من ذلك، أن الطريقة الجديدة حققت هذه النتائج مع تعديل جزء ضئيل جداً من إجمالي معلمات (parameters) النموذج، مما يجعلها أقل تطلباً للموارد الحاسوبية بكثير من النهج التقليدية التي تتطلب تحديث كل جزء من أجزاء النظام.

كما قارن الباحثون طريقتهم بمجموعة واسعة من شبكات التعلم العميق الموجودة، بما في ذلك التصميمات القديمة والمعروفة والهياكل الأحدث والأكثر تعقيداً. وقد تفوق نظامهم على العديد من هذه النماذج الراسخة، مما أثبت أن الإضافة المدروسة والخفيفة لنموذج تأسيسي قوي يمكن أن تكون أكثر فعالية من تدريب شبكة جديدة بالكامل من الصفر. ومن خلال تجميد الأجزاء الرئيسية من النموذج المدرب مسبقاً وتدريب المهايئات الصغيرة فقط، أثبت الفريق أنه من الممكن نقل المعرفة البصرية العامة إلى تطبيق طبي محدد للغاية دون الحاجة إلى كمية هائلة من بيانات التدريب. وهذا أمر مهم بشكل خاص لحالات طبية مثل باركنسون، حيث يكون جمع آلاف الصور المصنفة أمراً صعباً ومكلفاً.

ولفهم كيفية اتخاذ النظام لقراراته، استخدم الباحثون تقنية تصور تسلط الضوء على المناطق التي ركز عليها الكمبيوتر في مسحة العين. وكشفت الصور أن نموذجهم أولى اهتماماً كبيراً بالآفات الدقيقة والتغيرات الهيكلية المرتبطة بالمرض، بينما ركزت النماذج الأخرى أحياناً على مناطق أقل أهمية، مما يشير إلى أن المهايئات الثلاثة نجحت في توجيه النظام لتعلم الميزات الصحيحة. وتخلص الدراسة إلى أن هذا النهج يقدم مساراً واعداً للمضي قدماً في الكشف الآلي عن الأمراض، محققاً توازناً بين الدقة العالية والكفاءة الحوسبية. وبينما تُعد هذه العمل خطوة هامة، أشار الباحثون إلى أن الدراسات المستقبلية ستحتاج إلى اختبار الطريقة على بيانات من مراكز طبية أخرى للتأكد من أنها تعمل باستمرار عبر مختلف المجموعات السكانية وظروف التصوير.