التشخيص الآلي لشكل «بلس» والمراحل المبكرة من اعتلال الشبكية لحديثي الولادة باستخدام نماذج التعلم العميق

لماذا تهم العيون الصغيرة وأجهزة الحاسوب الذكية

كل عام، يتعرض آلاف الأطفال المبتسرين لخطر فقدان البصر لأن الأوعية الدموية في مؤخرة أعينهم لا تنمو بشكل طبيعي، حالة تُعرف باسم اعتلال الشبكية عند الخدج (ROP). يمكن أن يؤدي الكشف المبكر عن هذه المشكلة إلى إنقاذ البصر، لكنه يتطلب فحوصات متكررة للعين بواسطة أخصائيين مدرّبين تدريباً عالياً—وهم نادرون في أجزاء كثيرة من العالم. تستكشف هذه الدراسة كيف يمكن للذكاء الاصطناعي الحديث أن يساعد الأطباء على رصد علامات الإنذار المبكرة في صور الشبكية، مما قد يوفّر فحصاً بمستوى الخبراء في مستشفيات وعيادات تفتقر إلى رعاية عيون متخصصة.

المشكلة: بصر هش لدى أصغر المرضى

يتطور اعتلال الشبكية عند الخدج عندما يقطع الولادة المبكرة نمو الأوعية الدموية الطبيعي في الشبكية، الطبقة الحساسة للضوء في مؤخرة العين. الأطفال الذين يولدون باكراً جداً أو بوزن ولادة منخفض جداً هم الأكثر عرضة للخطر. في الحالات الخفيفة، تتعافى العين بنفسها. في الحالات الشديدة، يمكن أن تسحب الأوعية غير الطبيعية الشبكية وتتسبب في عمى دائم. على مستوى العالم، يُقدَّر أن اعتلال الشبكية عند الخدج يتسبب في عمى نحو 50,000 شخص، خاصة في مناطق تحسنت فيها رعاية حديثي الولادة فزادت معدلات النجاة لكن برامج فحص العيون والأخصائيين لم تواكب ذلك. يعتمد الفحص الحالي على عمل كثيف وتكلفة عالية وقراءة ذاتية للمصور: أحياناً يختلف خبيران حول شدة المرض لدى الطفل.

ما الذي يبحث عنه الأطباء: أوعية ملتوية ومراحل مبكرة

يقيم أطباء العيون اعتلال الشبكية عند الخدج باستخدام دليلين رئيسيين في صور الشبكية. الأول هو مرحلة المرض العامة، من المرحلة 0 (لا تغيّرات مرئية) مروراً بالمراحل المبكرة للمشكلة (1–3). والثاني هو «مرض بلس»، وهو علامة تحذيرية حيث تصبح الأوعية الدموية على الشبكية متوسعة وملتوية بشكل غير طبيعي. يشير مرض بلس إلى خطر أعلى لحدوث ضرر خطير وغالباً ما يحفز العلاج مثل العلاج بالليزر أو الحقن الدوائي. تقييم هذه الميزات بصرياً تحدٍّ كبير، خاصة عندما تكون الصور ضبابية أو عندما يحتاج الرضع إلى فحوصات متكررة أسبوعاً بعد أسبوع. نظام قادر على تمييز مرض بلس تلقائياً وتقدير مرحلة اعتلال الشبكية من الصور وحدها سيكون أداة دعم قوية للأطباء.

كيف يرى الذكاء الاصطناعي: تتبع خرائط الأوعية من صور العين

بنى الباحثون خط أنابيب ذكاء اصطناعي من خطوتين باستخدام أكثر من 6000 صورة شبكية من 188 رضيعاً. أولاً، درّبوا شبكة عصبية لرسم «خريطة أوعية» دقيقة لكل شبكية، تبرز كل وريد مرئي، حتى الفروع الدقيقة. من بين عدة نماذج لمعالجة الصور، كان نسخة تُدعى U-Net++ الأفضل في التقاط أنماط الأوعية التفصيلية، خاصة في الصور المزعجة أو ذات التباين المنخفض. لتحسين الوضوح، حسّن الفريق كل صورة بمرشحات تعزيز التباين وتقليل الضوضاء قبل عملية التقسيم. لاكتشاف مرض بلس، قدّموا بعد ذلك خرائط الأوعية فقط—وليس الصور الملونة الكاملة—إلى شبكة عصبية ثانية، لأن تعريف مرض بلس يعتمد تقريباً كلياً على سمك الأوعية وانحنائها.

تعليم الشبكة تصنيف شدة المرض

لتقييم مرحلة اعتلال الشبكية، احتاج الذكاء الاصطناعي إلى أكثر من مجرد شكل الأوعية الدموية. لذلك جمع النظام الصور الملونة الأصلية للشبكية مع خرائط الأوعية المقابلة، مما منح النموذج كلاً من الرؤية الشاملة للشبكية ونظرة مُحسَّنة على أوعيتها. اختبر الفريق عدة هياكل عميقة معروفة ووجد أن نموذجاً يسمى EfficientNetB4 قدّم أفضل توازن بين الدقة والكفاءة. على صور التحقق المحجوزة جانباً، بلغ دقّة كاشف مرض بلس 99.6 في المئة، بينما حقق مصنّف المراحل دقة 98 في المئة عبر المراحل من 0 إلى 3. أظهرت فحوصات إضافية، بما في ذلك منحنيات الدقة-الاستدعاء ومنحنيات المستلم-المشغّل، أن النموذج حافظ على حساسية عالية (نادرًا ما يفوّت المرض) ومَتانة عالية (نادرًا ما يطلق إنذارات كاذبة)، رغم أن مرض بلس كان أقل شيوعاً بكثير من الصور الطبيعية.

التفحّص داخل «الصندوق الأسود»

بما أن الأطباء يجب أن يثقوا بأي أداة تؤثر على قرارات العلاج، استقصى المؤلفون كيف اتخذ نموذجهم قراراته. باستخدام أساليب التصوير مثل t-SNE، أظهروا أن الصور من فئات مختلفة (مثل بلس مقابل طبيعي أو مرحلة 1 مقابل مرحلة 3) تشكلت في مجموعات منفصلة جيداً في فضاء السمات الداخلية للنموذج. ومع تقنيات خرائط الحرارة المسماة Grad-CAM، أبرزوا أي أجزاء من كل شبكية أثّرت أقوى على التنبؤ. بالنسبة لمرض بلس، ركّز النموذج على المناطق التي كانت فيها الأوعية عريضة أو ملتوية بشكل غير طبيعي، مما يتوافق مع ما يبحث عنه الخبراء. وفي تصنيف المراحل، أولى Model اهتماماً أيضاً لمناطق أخرى مثل القرص البصري والبقعة، ما يشير إلى أن استدلاله يتماشى بشكل وثيق مع المعايير الطبية المعروفة بدلاً من الاعتماد على شوائب عشوائية في الصورة.

ماذا يعني هذا للأطفال والعيادات

بعبارات بسيطة، تُظهر هذه الدراسة أن نظام ذكاء اصطناعي مصمَّماً بعناية يمكنه قراءة صور شبكية أطفال مبتسرين بدقة قريبة من خبراء، سواء لاكتشاف تغيّرات الأوعية الخطرة أو لتقييم مدى تقدّم المرض. نُفِّذت الدراسة في مركز طبي واحد وشملت فقط المراحل المبكرة إلى المتوسطة، لذا لا بد من تجارب أكبر عبر مستشفيات متعددة وبيانات من حالات أكثر تقدماً. مع ذلك، تشير النتائج إلى أنه، مع مزيد من التحقق والاندماج الحذر في منصات الطب عن بُعد، يمكن لمثل هذه الأدوات أن تساعد نظم الرعاية الصحية المرهقة على فحص عدد أكبر من الأطفال بشكل أكثر اتساقاً وبتكلفة أقل. وقد يعني ذلك علاجاً مبكراً وفرصاً أكبر للحفاظ على البصر لبعض أكثر المرضى ضعفاً في رعاية حديثي الولادة.

الاستشهاد: Vahidmoghadam, M., Ghorbani, P., Ahmadi, M.J. et al. Automated diagnosis of plus form and early stages of ROP using deep learning models. Sci Rep 16, 7234 (2026). https://doi.org/10.1038/s41598-026-37064-2

الكلمات المفتاحية: اعتلال الشبكية عند الخدج, الذكاء الاصطناعي, التعلم العميق, التصوير الطبي, أمراض عيون حديثي الولادة