تصنيف متعدد الفئات لأمراض العين باستخدام تقنيات دمج EfficientNetB0 للتعلّم العميق

لماذا تهمّ الفحوصات المبكرة للعين

فقدان البصر غالبًا ما يتسلّل بهدوء. يمكن لمشكلات العين الشائعة مثل الساد (إعتام عدسة العين)، والزَّرَق (الغلوكوما)، والأضرار الشبكية الناجمة عن السكري أن تسرق الرؤية قبل أن تصبح الأعراض واضحة. حول العالم، لا يوجد أخصائيو عيون كافون لفحص الجميع في الوقت المناسب، لا سيما في المناطق الريفية أو منخفضة الدخل. تستكشف هذه الدراسة كيف يمكن لنظام حاسوبي ذكي يقرأ صور الجزء الخلفي من العين أن يساعد الأطباء على رصد عدة أمراض عينية رئيسية مبكّرًا وبثبات، باستخدام نفس نوع الذكاء الاصطناعي الذي يشغّل بحث الصور الحديث والتعرّف على الوجوه.

رؤية المرض في لقطة واحدة

يستخدم أطباء العيون بالفعل صورًا ملونة للشبكية — الطبقة الحساسة للضوء في مؤخرة العين — للبحث عن المرض. في هذه الصور يظهر الساد كتعكّر في المسار البصري، بينما يغيّر الزَّرَق شكل العصب البصري، ويجعل اعتلال الشبكية السكري الشبكية مغطاة بتسرّبات صغيرة وندوب. جمع الباحثون 4,217 صورة شبكية عالية الدقة، موزونة بعناية عبر أربع مجموعات: أعين سليمة، وإعتام عدسة العين، والزَّرَق، واعتلال الشبكية السكري. من خلال العمل بمجموعة متوازنة مأخوذة من مصادر عامة متعددة، قلّلوا من احتمال أن يتعلّم الحاسوب اختصارات مرتبطة بمستشفى أو كاميرا أو نوع مرض واحد بدلًا من العلامات الحقيقية للمرض.

السماح لدماغين بالعمل معًا

تُعرف برامج قراءة الصور الحديثة بالنماذج العميقة للتعلّم، وهي جيدة جدًا في اكتشاف الأنماط لكن لكل منها نقاط قوة ونقاط ضعف. بدلًا من الاعتماد على نموذج واحد، بنى الفريق أنظمة «ذو عمودين أساس» تُشغّل شبكتين بصريتين معروفتين بالتوازي ثم تدمج ما تكتشفانه. إحداها، EfficientNetB0، نموذج مدمج وفعّال يلتقط البنية العامة في الصور؛ استُخدم دائمًا كأساس. وُزُوِّج في كل مرة مع ثلاثة نماذج أخرى — ResNet50 وInceptionV3 وAlexNet — التي تتخصص في التعرّف على أنماط أعمق أو متعددة المقياس أو خفيفة الوزن. ثم جمعت الأنظمة مجموعتي الميزات بعدة طرق: بربطهما ببساطة، أو جمعهما، أو وزن كلٍّ منهما بشكل مختلف، أو بالسماح لكل نموذج بالتصويت على الإجابة النهائية.

اختبار النظام

درّب الباحثون وضبّطوا 12 تركيبة نموذجية مختلفة على معظم صور الشبكية لديهم، مع إبقاء بعض الصور جانبًا لفحص الأداء. في هذا الاختبار الداخلي، كانت أفضل طريقة هي ربط ميزات EfficientNetB0 وResNet50، محققة دقة عامة تقارب 95% ونتيجة تكاد تكون مثالية على مقياس قياسي لجودة التشخيص. كما أدّت التركيبات المماثلة مع InceptionV3 وAlexNet بقوة أيضًا. وللتحقق مما إذا كان النظام يستطيع التعامل مع تنوّع العالم الحقيقي بدلًا من حفظ مجموعة التدريب فقط، اختبر الفريق جميع النماذج على 400 صورة من مجموعتين مستقلتين مأخوذتين في مستشفيين مختلفين بكاميرات مختلفة. هنا ارتفعت الدقة حتى بين نحو 95% و98%، كما حافظت كل النماذج على درجات عالية جدًا في قدرتها على تمييز العيون المريضة عن السليمة.

النظر داخل الصندوق الأسود

يسأل الأطباء والهيئات التنظيمية بشكل متزايد ليس فقط «ما مدى دقّته؟» بل أيضًا «لماذا يقرر هكذا؟». للإجابة عن هذا، استخدم المؤلفون أدوات تصور مثل Score‑CAM وLIME. تبرز هذه الأدوات الأجزاء من الصورة التي تؤثر أكثر في حكم النموذج، محولة «انتباه» النظام إلى خرائط حرارية موضوعة فوق الشبكية. بالنسبة لاعتلال الشبكية السكري، توافقت المناطق المظلّلة مع أوعية دموية متسرّبة وبقع قرب البقعة (المَكولا)، مركز الرؤية الحادة. وبالنسبة للزَّرَق، تركز الانتباه على رأس العصب البصري والأنسجة المحيطة حيث يحدث الضرر. أما قرارات المتعلّقة بالساد فسلّطت الضوء على تعكّر منتشر على طول المسار البصري. والأهم، أن العيون الطبيعية لم تُظهر نقاط تركيز قوية أو في غير مواضعها. هذا التطابق الوثيق بين تركيز النموذج والتشريح الموصوف في الكتب يشير إلى أن النظام يعتمد على نفس الميزات التي يستخدمها الأطباء عمليًا.

ما الذي قد يعنيه ذلك للرعاية اليومية

بالنسبة لغير الأخصائي، الخلاصة هي أن صورة شبكية واحدة، مأخوذة بكاميرا قياسية، قد تساعد قريبًا في فحص عدة أسباب رئيسية للعمى دفعة واحدة. أعطى التصميم المزدوج للشبكات وطرق الدمج الذكية لمخرجاتهما دقة عالية ونتائج ثابتة عندما جاءت الصور من عيادات وأجهزة جديدة — وهو أمر ضروري للاستخدام في العالم الحقيقي. بينما لا يزال هناك حاجة لمزيد من الاختبارات على جماعات أكبر وأكثر تنوعًا، خصوصًا قبل أن تقود التقنية العلاج بشكل مستقل، تُظهر هذه الدراسة أن جمع أنواع مختلفة من «العيون» الاصطناعية يمكن أن ينتج آراء ثانية سريعة وموثوقة. في المستشفيات المزدحمة، العيادات الصغيرة أو وحدات الفحص المتنقلة، يمكن لمثل هذه الأدوات أن تساعد في تمييز الأشخاص الذين يحتاجون على وجه السرعة لرؤية أخصائي عيون، مما قد يحافظ على البصر للملايين.

الاستشهاد: Sah, U.K., Chatterjee, J.M. & Sujatha, R. Multi-class eye disease classification using deep learning EfficientNetB0 fusion techniques. Sci Rep 16, 6368 (2026). https://doi.org/10.1038/s41598-026-35357-0

الكلمات المفتاحية: أمراض العين, تصوير الشبكية, التعلّم العميق, المياه الزرقاء (الزَّرَق), اعتلال الشبكية السكري