شبكة عصبية التلافيفية جديدة لتحديد البكتيريا في مجموعات بيانات الميكروسكوب المربّع

لماذا يهم رصد الجراثيم بسرعة

عندما يحاول الأطباء معرفة أي البكتيريا تسبب عدوى، يكون الوقت عاملاً حاسماً. يمكن أن تستغرق الاختبارات المخبرية التقليدية ساعات أو أيامًا، وتتطلب خبراء مدرّبين لفحص صور الميكروسكوب بالعين. تقدم هذه الدراسة نظام رؤية حاسوبية جديدًا يُدعى CM-Net، قادرًا على قراءة صور ميكروسكوب متخصصة تلقائيًا وتمييز نوعين شائعين ذوي أهمية طبية بسرعة، بالإضافة إلى التعرّف على الخلايا الحيّة من الميتة. يشير العمل إلى مسار نحو تشخيصات أسرع وأكثر موثوقية قد تُستخدم يومًا ما في المستشفيات والمختبرات البحثية حول العالم.

تحويل الجراثيم المتوهجة إلى صور مفيدة

بدأ الباحثون بأداة تصوير قوية تُعرف بالمجهر المربّع بالمسح الليزري. ببساطة، يستخدم هذا المجهر ليزرًا مُركّزًا وصبغات فلورية لجعل البكتيريا تتوهّج بألوان مختلفة اعتمادًا على ما إذا كانت حيّة أم ميتة. تظهر الخلايا الحيّة باللون الأخضر، بينما تظهر الخلايا الميتة باللون الأحمر. عن طريق المسح عبر العيّنة بطبقات رقيقة جدًّا، يبني المجهر صورًا حادة ومفصّلة للبكتيريا على شرائح الزجاج. عمل الفريق على نوعين معروفين يتسببان غالبًا في التهابات المستشفيات: الإشريكية القولونية (شكل عصي) والمكورات العنقودية الذهبية (شكل كروي). تشكل هذه الصور عالية الجودة المادة الخام التي يجب على CM-Net أن يتعلم فهمها.

تقسيم الصور الكبيرة إلى بلاطات صغيرة

على الرغم من أن كل صورة مراوحة مربّعة غنية بالتفاصيل، فإنها أيضًا كبيرة جدًا، بحجم نحو 3000 × 3000 بكسل. سيكون تدريب نموذج حاسوبي مباشرة على مثل هذه الصور الضخمة بطيئًا ويتطلب قدرة حسابية هائلة. لحل هذه المشكلة، قسم الفريق كل صورة كبيرة إلى بلاطات مربعة أصغر، كل منها 224 × 224 بكسل، وهو حجم قياسي في تحليل الصور. تُعرف هذه العملية بتعزيز البيانات، فهي تقلّل العبء التقني وتضاعف عدد أمثلة التدريب. من مجموعة أصلية مكوّنة من 300 صورة لكل نوع بكتيري، ولّدوا 7066 بلاطة إجمالًا. تلتقط هذه البلاطات أنماطًا محلية للأشكال والألوان والملمس من مناطق مختلفة على الشرائح، مما يوفّر للنموذج مجموعة أمثلة متنوعة ومتوازنة ليتعلم منها.

كيف يتعلم الراصد الرقمي الرؤية

CM-Net هو نموذج تعلّم عميق مصمم بعناية خصيصًا لميكروسكوب البكتيريا، بدلاً من كونه مُكيّفًا من مجموعات صور عامة. إنه نوع من الشبكات العصبية التلافيفية، وهي فئة من البرامج تتفوّق في العثور على الأنماط في الصور. يعالج CM-Net كل بلاطة من خلال سلسلة مراحل. تبحث المراحل المبكرة عن إشارات بصرية بسيطة مثل الحواف والبقع؛ وتجمع المراحل الأعمق هذه الإشارات إلى أنماط أكثر تعقيدًا تميّز العصيات عن الكرات والخلايا الحيّة عن الميتة. يستخدم الشبكة تقنيات مثل تطبيع الدفعات، التي تحافظ على استقرار الإشارات الداخلية، وشكل مقصوص من دالة التنشيط، الذي يمنع الاستجابات المتطرفة التي قد تزعزع عملية التعلم. تقوم الطبقات اللاحقة بتكثيف المعلومات المستخرجة واتخاذ قرار نهائي بشأن نوع البكتيريا وحالة الخلية.

تفوق على النماذج الشائعة الجاهزة

لمعرفة مدى أداء CM-Net، درّبه المؤلفون واختبروه 30 مرة، مع تقسيم جديد للبيانات إلى مجموعات تدريب واختبار في كل مرة. قاسوا الدقة، أي مدى صحة النموذج بشكل عام؛ والحساسية، وهي مدى قدرته على اكتشاف كل هدف؛ والنوعية (المخصصة)، أي مدى تجنبه للإنذارات الكاذبة؛ وعددًا من المقاييس القياسية الأخرى. حقق CM-Net دقة تقارب 96% في المتوسط، مع حساسية ونوعية أيضًا تقارب 96%، وتوازن قوي بين الفئتين. كما احتاج إلى عدد أقل من المعاملات الداخلية وذاكرة أقل من عدة نماذج مُدرّبة شائعة، بما في ذلك GoogLeNet وMobileNetV2 وResNet18 وShuffleNet، بينما ظل أسرع في التشغيل. أظهرت أدوات التصوير التوضيحية أن CM-Net يركّز انتباهه على الأجسام البكتيرية الفعلية في الصور، بدلاً من الميزات الخلفية العشوائية، مما يدعم فكرة أنه يتعلّم إشارات ذات مغزى بيولوجي.

ماذا يعني هذا للعمل المعملي المستقبلي

بشكل مبسّط، تُظهر الدراسة أن نظام تعلّم عميق مُصمّم خصيصًا يمكنه أن «يقرأ» صور ميكروسكوبية معقّدة للبكتيريا بدقة وكفاءة وبطريقة تتوافق مع ما يهتم به الخبراء البشر. في الوقت الحالي، تم تدريب CM-Net على نوعين فقط من البكتيريا وعلى بيانات من نوع واحد من الميكروسكوبات، لذا هناك حاجة لمزيد من العمل قبل أن يمكن استخدامه كأداة تشخيص عامة. يخطط المؤلفون لتوسيعه ليشمل أنواعًا أكثر، حالات خلوية مختلفة، ومجموعات بيانات أكبر وأكثر تنوعًا. مع ذلك، توضح النتائج أن أنظمة مثل CM-Net قد تساعد في المستقبل المختبرات على تحديد العدوى بسرعة أكبر، توجيه قرارات العلاج، وفتح الباب أمام التحليل الآلي لتجارب علم الأحياء الدقيقة للمستخدمين غير المتخصصين في التصوير.

الاستشهاد: Al-Jumaili, A., Al-Jumaili, S., Alyassri, S. et al. Novel convolutional neural network for bacterial identification of confocal microscopic datasets. Sci Rep 16, 8123 (2026). https://doi.org/10.1038/s41598-026-38861-5

الكلمات المفتاحية: تصنيف صور بكتيرية, المجهر المربّع, التعلّم العميق, الشبكات العصبية التلافيفية, التشخيص الطبي