تحديد أمراض عينية متعددة باستخدام شبكة عصبية تلافيفية هجينة كمية مع صور قاع العين

فحوص أبصار أدق مع آلات أكثر ذكاءً

يمكن تجنب كثير من مشاكل البصر في العالم إذا تم اكتشاف أمراض العيون مبكراً، لكن الأخصائيين والتصوير عالي الجودة ليسوا متوافرين دائماً. تستكشف هذه الدراسة طريقة جديدة لقراءة صور مؤخرة العين، المعروفة بصور قاع العين، باستخدام مزيج من أفكار الحوسبة الكمّية المتقدمة والذكاء الاصطناعي الحديث. الهدف بسيط لكنه قوي: اكتشاف عدة أمراض عينية شائعة في وقت واحد بسرعة وبموثوقية، بحيث يمكن بدء العلاجات المنقذة للبصر مبكراً.

لماذا تهم مؤخرة العين

الشبكية طبقة رقيقة من الأنسجة في مؤخرة العين تحول الضوء إلى إشارات للدماغ. تترك العديد من الحالات العين الخطيرة علامات مميزة هنا، بما في ذلك التنكس البقعي المرتبط بالعمر، الزَرَق، اعتلال الشبكية السكري، الأضرار المرتبطة بارتفاع ضغط الدم، قصر النظر، وإعتام عدسة العين. يمكن للأطباء تصوير الشبكية بكاميرا قاع قياسية، وهي أرخص وأكثر توفرًا من أجهزة المسح المتقدمة. لكن قراءة هذه الصور بالعين البشرية بطيئة وتعتمد على خبراء مدرَّبين تدريباً عالياً، وتصبح صعبة بشكل خاص عندما تكون تغيرات المرض المبكرة خفيفة أو عندما توجد عدة مشكلات في آن واحد.

تنقية الصورة قبل التشخيص

قبل أن يتمكن أي حاسوب من فهم صور القاع، يجب تنظيف الصور وتوحيدها. في هذا العمل، يقوم المؤلفون أولاً بقص المنطقة الدائرية للعين، وتغيير حجمها، ثم تحسين وضوح البنى المهمة باستخدام تقنيتين: ترشيح الانتشار اللامتجانس لتقليل الضوضاء دون طمس الحواف الهامة، وتحويلات المويجات لتعزيز التباين. كما يوسعون مجموعة التدريب عن طريق تدوير الصور وتكبيرها وتحريكها وعكسها، وإضافة ضوضاء متحكم بها. يساعد هذا «ترتيب الصور» الدقيق النموذج على تعلم كيف تختلف الصور في العالم الواقعي، مما يقلل من احتمال فشله على كاميرات أو ظروف إضاءة مختلفة قليلاً.

دمج الذكاء الاصطناعي الكلاسيكي مع أفكار كمية

في صلب الدراسة توجد شبكة عصبية تلافيفية هجينة كمية، أو QCNN. الشبكة العصبية التلافيفية التقليدية جيدة جداً في اكتشاف أنماط مثل الخطوط والملمس والأشكال في الصور. تحتفظ QCNN بهذا الهيكل المألوف لكنها تضيف طبقات مستوحاة من الحوسبة الكمّية تعمل على بيانات مشفرة كحالات كمّية. عملياً، يقوم شبكة كلاسيكية خفيفة أولاً بضغط كل زوج من صور عيني المريض اليمنى واليسرى. ثم تُحوَّل هذه الميزات إلى تمثيل بثمانية «كيوبتات»، حيث تنفذ بوابات كمّية خاصة دورات وتبني اتصالات بين الكيوبتات. هذا يسمح للنظام باستكشاف فضاء غني من الأنماط الممكنة باستخدام عدد قليل نسبياً من المعاملات القابلة للتعديل.

كيف تتعلّم الطبقات الكمّية

الجانب الكمّي من النموذج يحاكي خطوات معروفة في تحليل الصور. تعمل طبقات «التلافيف» الكمّية كمرشحات، وتتفحص البنى المفيدة في البيانات، بينما تقلل طبقات «التجميع» الكمّية التعقيد بدمج المعلومات من عدة كيوبتات دون فقدان أدق الدلائل. يقيس النظام مراراً الحالات الكمّية الناتجة ويغذي هذه القياسات في طبقة قرار نهائية تُخرج احتمالية كل تسمية مرضية للعين. أثناء التدريب، يقوم مُحسّن كلاسيكي بضبط كل من أوزان الشبكة العصبية التقليدية وإعدادات البوابات الكمّية لتحسين الأداء، مسترشداً بمقاييس قياسية مثل الدقة، الحساسية، الاسترجاع، ومقياس F1.

اختبار النموذج

لاختبار ما إذا كان هذا النهج أكثر من مجرد فكرة أنيقة، درّب الباحثون النموذج واختبروه على OIA‑ODIR، مجموعة عامة كبيرة مكوّنة من 10,000 صورة قاع لعشرة آلاف عين من 5,000 مريض معنونة لسبعة أمراض عينية بالإضافة إلى العيون الطبيعية. قسمت البيانات بحيث استُخدمت بعض الصور لتدريب النموذج، وأخرى لضبطه، وأخرى—من نفس الموقع ومن مواقع خارجية—لاختبار مدى قابليته للتعميم. بالمقارنة مع عدة نظم تعلم عميق قوية، بما في ذلك Fundus‑DeepNet وInception‑v4 وVGG16 وResNet‑101، تفوّق QCNN. بلغ دقته حوالى 94 بالمئة وبدرجات عالية مماثلة في الدقة والحساسية ومقياس F1، لكل من مجموعات الاختبار المحلية والخارجية، مما يعني أنه لم يقتصر على إصدار قرارات صحيحة فحسب بل قلل أيضاً من حالات فشل الكشف عن المرض.

ما يعنيه هذا للمرضى

من منظور عام، الرسالة هي أن برامج أكثر ذكاءً قد تساعد في حماية البصر عن طريق جعل فحص الشبكية الجماعي أسرع وأكثر اتساقاً وقادراً على الإبلاغ عن عدة أمراض في آن واحد. الشبكة المعززة بالكمي هنا ما تزال تعمل على محاكيات وتعتمد على حواسيب قوية، لذا فهي ليست جاهزة بعد للاستخدام الروتيني في العيادات. كما أنها ترث القيود المألوفة للذكاء الاصطناعي الطبي، مثل تباين البيانات للأمراض النادرة والاختلافات بين المستشفيات. ومع ذلك، فإن أدائها القوي يوحي بأن الجمع بين الأساليب الكلاسيكية والمستوحاة من الكمّ يمكن أن يستخرج مزيداً من المعلومات من نفس صور العين. ومع نضج الأجهزة الكمّية ونمو مجموعات البيانات، قد تصبح مثل هذه الأنظمة أدوات عملية لدعم أطباء العيون حول العالم، خصوصاً في الأماكن التي تقل فيها أعداد الأخصائيين.

الاستشهاد: Alqassab, A.I.M., Luque-Nieto, MÁ. & Mohammed, M.A. Identification of multiple ocular diseases using a hybrid quantum convolutional neural network with fundus images. Sci Rep 16, 6798 (2026). https://doi.org/10.1038/s41598-026-38063-z

الكلمات المفتاحية: تصوير قاع الشبكية, كشف الأمراض العينية, الشبكات العصبية الكمّية, تحليل الصور الطبية, الذكاء الاصطناعي في طب العيون