تصنيف كريات الدم البيضاء باستخدام شبكة عصبية عميقة مخصصة وتصوير ميزات الصور باستخدام خرائط الحرارة

لماذا تهم اختبارات الدم الأذكى

يمكن لاختبار الدم الروتيني أن يكشف علامات مبكرة للعدوى أو الحساسية أو حتى السرطان—لكن اليوم، يعتمد الكثير من هذه الرؤية على خبراء يفحصون الخلايا بعناية تحت المجهر. هذه العملية بطيئة ومكلفة وليست متاحة دائماً في العيادات الصغيرة أو المستشفيات الريفية. الورقة الموصوفة هنا تقدم نظام ذكاء صناعي مدمج قادر بدقة على التعرف على أنواع مختلفة من كريات الدم البيضاء من صور المجهر، مما قد يسهّل إجراء تحاليل دم أسرع وأكثر موثوقية لعدد أكبر من المرضى.

الدفاعات الصغيرة في الجسم

كريات الدم البيضاء هي خط الدفاع الأول في الجسم ضد الجراثيم والتهديدات الأخرى. تأتي بعدة أنواع رئيسية، لكلٍ منها وظيفة مختلفة: بعضها يهاجم البكتيريا، وآخر يقاتل الطفيليات، ويستجيب للحساسية، أو يساعد في تنسيق المناعة طويلة الأمد. يفحص الأطباء غالباً كل من عدد ونوع هذه الخلايا لتشخيص الأمراض ومراقبة العلاجات. اليوم، يتم ذلك عادة إما عن طريق العد اليدوي تحت المجهر—وهو عمل ماهر لكنه يستغرق وقتًا—أو باستخدام آلات مؤتمتة كبيرة لا تستطيع العديد من المختبرات الصغيرة تحمل تكاليفها.

من العد اليدوي إلى العين الرقمية

خلال العقد الماضي، لجأ الباحثون إلى رؤية الكمبيوتر وتعلم الآلة للمساعدة في أتمتة التعرف على كريات الدم البيضاء. يمكن للبرامج الأساسية قياس الأشكال والألوان، بينما تستخدم الأنظمة الأكثر تقدماً التعلم العميق الذي يتعلم أنماطاً معقدة مباشرة من الصور. ومع ذلك، فإن العديد من نماذج التعلم العميق القوية ضخمة وتحتاج إلى طاقة حوسبة وذاكرة كبيرة، وقد تعاني من مشاكل أثناء التدريب مثل «تلاشي» الإشارات داخل الشبكة. هذا يقيّد استخدامها في العيادات الصغيرة، وأجهزة الصحة المتنقلة، أو المستشفيات ذات الموارد الحاسوبية المحدودة.

ميكروسكوب رقمي نحيف لكنه قوي

يعرض المؤلفون نموذج تعلم عميق مبسّط يسمونه شبكة عصبية عميقة مخصصة، أو CDNN. صُمم هذا النموذج خصيصاً للتعرف على كريات الدم البيضاء في صور المجهر. تم تدريب النموذج واختباره على مجموعتي بيانات شهيرتين لصور خلايا الدم: مجموعة كبيرة وغير متوازنة إلى حد ما (Raabin WBC) تحتوي على خمسة أنواع من كريات الدم البيضاء، ومجموعة أصغر لكن متوازنة (BCCD) تحتوي على أربعة أنواع. قبل التدريب، جُمعت جميع الصور وتغيرت أحجامها، وتمّت معالجة مستويات السطوع لتصبح موحدة، ثم خضعت لتعديلات طفيفة—دوران، انعكاس، وتشويه قصي—لتقليد التباين الطبيعي وتقليل الإفراط في التخصيص، وهو ما يحدث عندما يحفظ النموذج أمثلة التدريب بدلاً من تعلم أنماط عامة.

داخل "عملية تفكير" النموذج

يبنى CDNN من سلسلة من اللبنات التي تساعده على التعلم بفعالية مع الحفاظ على صغر حجمه. تتضمن هذه اللبنات اتصالات "متبقية" تسمح للمعلومات بتجاوز بعض الطبقات، مما يمنع إشارة التدريب من التلاشي أثناء مرورها عبر الشبكة. يزيد النموذج تدريجياً عدد المرشحات الداخلية بينما تتقدم الصور خلاله، ما يلتقط كلًا من التفاصيل الدقيقة والأشكال الأوسع لنواة الخلية والمحيط الخلوي. على الرغم من امتلاكه لعدد أقل بكثير من المعاملات القابلة للتعديل مقارنة بنماذج صور معروفة مثل VGG16 أو ResNet-50، يحقق CDNN دقة عالية جداً: حوالي 98% على مجموعة Raabin ونحو 99.6% على مجموعة BCCD، متفوقًا على العديد من الطرق الكبيرة المتقدمة.

جعل القرارات غير المرئية مرئية

للتأكد من أن النظام يركز على أجزاء الصور ذات المعنى الطبي، استخدم الباحثون أداتين للتصوير تعرفان باسم Grad-CAM وLIME. تولد هاتان الطريقتان خرائط حرارة ملونة تبرز المناطق من صورة الخلية التي أثرت بشكل أقوى في قرارات النموذج. المناطق الساطعة في هذه الخرائط كانت تميل إلى التماشي مع الهياكل الحاسمة مثل نواة الخلية والسيتوبلازم المحيط بها، بدلاً من الخلفية غير ذات الصلة. كما استكشف الفريق كيف تفصل الشبكة داخلياً بين أنواع الخلايا المختلفة عن طريق عرض إشاراتها الداخلية في خريطة ثنائية الأبعاد، حيث تشكل الخلايا المصنفة بشكل صحيح مجموعات واضحة ويمكن فحص الحالات التي تم تصنيفها خطأ لفهم نقاط ضعف النموذج.

ماذا قد يعني هذا للمرضى

بعبارات بسيطة، تُظهر هذه الدراسة أن نموذج ذكاء صناعي مصمم بعناية وصغير نسبياً يمكنه تمييز كريات الدم البيضاء من صور المجهر بدقة تضاهي أو تتفوق على العديد من الأنظمة الكبيرة والمعقدة. وبما أن النموذج مدمج وفعّال، فهو أكثر ملاءمة للاستخدام في المختبرات الصغيرة، وأجهزة نقطة الرعاية، أو حتى المعدات المحمولة، مما قد يقرب تحاليل دم عالية الجودة من المرضى. وبينما لا يزال هناك حاجة لاختبارات إضافية في بيئات سريرية حقيقية، تشير هذه المقاربة إلى أدوات أسرع وأكثر وصولاً وشفافية يمكن أن تساعد أخصائيي الأمراض في تشخيص الأمراض والكشف عن المشاكل في وقت أبكر.

الاستشهاد: Karaddi, S.H., Bitra, H., Bairaboina, S.S.R. et al. White blood cell classification using custom deep neural network and visualizing features of the images using heatmaps. Sci Rep 16, 9311 (2026). https://doi.org/10.1038/s41598-026-35138-9

الكلمات المفتاحية: كريات الدم البيضاء, التصوير الطبي, التعلم العميق, تشخيصات الدم, الشبكات العصبية