شبكة عصبية خفيفة مخصصة مبنية على MobileNetV2 لاكتشاف وتصنيف جدري القرود

لماذا يهم اختبار جدري القرود الملائم للهواتف

تخيل التقاط صورة لطشة جلدية غريبة بهاتفك والحصول بسرعة على مؤشر موثوق عمّا إذا كانت قد تكون جدري القرود (Mpox) أو شيئًا أقل خطورة، مثل الجديري المائي أو الحصبة. تستكشف هذه الورقة شكلاً مضغوطًا من الذكاء الاصطناعي يمكنه فعل ذلك بالضبط. عبر تصغير نظام قوي للتعرف على الصور إلى نموذج صغير بما يكفي للهواتف الذكية والأجهزة البسيطة الأخرى، يهدف الباحثون إلى إتاحة فحص مبكر لجدري القرود في العيادات والمجتمعات التي تفتقر إلى مختبرات متقدمة.

تحدي اكتشاف جدري القرود مبكرًا

جدري القرود مرض فيروسي ينتقل عبر الاتصال الوثيق وتظهر أعراضه مشابهة إلى حد كبير لحالات جلدية أخرى. قد يصاب الأشخاص بحمى وآلام جسدية وعُقد جلدية مميزة، لكن هذه العلامات تتداخل مع أمراض مثل الحصبة والجديري المائي والالتهابات الجلدية العادية. الاختبارات التقليدية، مثل تفاعل البوليميراز المتسلسل في المختبر، دقيقة لكنها بطيئة ومكلفة وغالبًا غير متاحة في المناطق النائية. هذا الفراغ يترك العديد من العاملين الصحيين والمرضى في حيرة، مما يؤخر العزل والعلاج ويمنح الفيروس وقتًا أكبر للانتشار.

تعليم الحواسيب قراءة صور الجلد

يقدم الذكاء الاصطناعي المعتمد على الصور الحديث طريقة لتحويل الكاميرات اليومية إلى مساعدات تشخيصية بسيطة. يبني المؤلفون على شبكة عصبية "خفيفة" شائعة تُدعى MobileNetV2، صُممت أصلاً للعمل على أجهزة ذات قدرة حسابية محدودة. يستخدمون مجموعة بيانات عامة مكوّنة من 770 صورة جلدية مقسمة إلى أربع فئات: جدري القرود والحصبة والجديري المائي والجلد الطبيعي. للاستفادة القصوى من هذه المجموعة الصغيرة نسبيًا، يُعدّون الصور بعناية، فيقيسونها إلى صيغة مشتركة ويطبقون تغييرات طفيفة مثل التدوير والانعكاس والتكبير. تساعد هذه الحيل، المعروفة بزيادة البيانات، النموذج على تعلم التعرف على الأنماط دون حفظ صور محددة.

دماغ أكثر ذكاءً وأخف للمهمة

بدلاً من بناء نظام جديد من الصفر، "يضبط" الباحثون نموذج MobileNetV2 الموجود الذي تعلّم بالفعل ميزات بصرية عامة من مجموعات صور كبيرة. يحافظون على معظم طبقاته ثابتة ويعيدون تدريب آخر 20 طبقة فقط لتتخصص في الطفح الجلدي المرتبط بجدري القرود. يضيفون فوق هذا العمود الفقري رأس قرار خفيف يتضمن خطوة متوسطٍ عام وتقنية الإسقاط العشوائي (dropout)—تقنيات تساعد النموذج على التركيز على أهم أجزاء الصورة مع تجنّب الإفراط في الثقة بالضوضاء أو الخلفية. كما يضبطون طريقة تعلم النموذج من الأخطاء بحيث تُعامل الفئات الأربع بشكل عادل، حتى وإن كانت بعض الفئات تحتوي على أمثلة أقل.

أداء النموذج الصغير

بعد التدريب، يحقق نموذج MobileNetV2 المخصص—المسمى CMBNV2—نتائج لافتة. يحدد الفئة الصحيحة في 99% من صور الاختبار ويبلغ درجات مرتفعة مماثلة في الدقة والاستدعاء ومقياس مركب يُعرف بدرجة F1. ببساطة، نادرًا ما يفوّت حالات جدري القرود الحقيقية ونادرًا ما يطلق إنذارات كاذبة. حجم النموذج بالكامل حوالي 8.63 ميغابايت فقط، ويستخدم ذاكرة متواضعة ويتطلب عددًا قليلاً نسبيًا من العمليات الحسابية، ما يجعله مناسبًا للاستخدام الفوري على الهواتف الذكية النموذجية أو الأجهزة الصغيرة الأخرى. تظهر المقارنات مع شبكات أثقل وأكثر تعقيدًا وتصاميم مدمجة أخرى أن هذا الإصدار المضبوط من MobileNetV2 أسرع وأكثر دقة على مجموعة بيانات جدري القرود.

ماذا قد يعني هذا للصحة اليومية

لغير المتخصصين، الخلاصة هي أن ذكاءً اصطناعيًا مصممًا بعناية ومناسبًا للهواتف يمكنه التمييز بشكل موثوق بين جدري القرود والحالات الجلدية الشبيهة باستخدام صورة بسيطة. ورغم أنه ليس بديلاً للطبيب أو للاختبار المخبري، فقد يعمل مثل هذا الأداة كمنبه مبكر، خاصة في الأماكن التي تضيق فيها الموارد الطبية. من خلال توجيه الناس نحو الاختبار والعزل في الوقت المناسب وتقديم دعم سريع للعاملين الصحيين في الميدان، قد تصبح نماذج مثل CMBNV2 خط دفاع عمليًا ضد تفشيات جدري القرود المستقبلية، ولاحقًا ضد أمراض جلدية أخرى أيضًا.

الاستشهاد: Askale, G.T., Yibel, A.B., Munie, A.T. et al. A customized MobileNetV2-based lightweight CNN for monkeypox detection and classification. Sci Rep 16, 5028 (2026). https://doi.org/10.1038/s41598-026-35871-1

الكلمات المفتاحية: جدري القرود, آفات الجلد, التعلم العميق, الصحة المتنقلة, تصنيف الصور