الكشف الآلي عن مستقبلات الضوء المخروطية باستخدام بيانات تركيبية والتعلم العميق في صور الماسح الُمحسّن بصرياً متعدد الأشعة للفحص الشبكي

رؤى أوضح للعين الحية

رؤية خلايا العين الحسية للضوء واحدة تلو الأخرى قد تغير كيفية اكتشاف الأطباء للأمراض المسببة للعمى وتعقبها. لكن اليوم يضطر الخبراء إلى تعليم هذه الخلايا يدوياً في صور مكبّرة للغاية للشبكية، وهي عملية بطيئة وذاتية وصعبة التوسع لتشمل آلاف المرضى. تُظهر هذه الدراسة كيف يمكن لنماذج الحاسوب المدربة على صور «مفتعلة» للعين لكنها واقعية أن تتعلم إيجاد هذه الخلايا تلقائياً، ما يفتح الباب لفحوصات أسرع وأكثر موثوقية وتقييم أفضل للعلاجات الجديدة.

لماذا تهم الخلايا الصغيرة

الجزء الخلفي من العين مغطى بمستقبلات ضوئية — خلايا متخصصة تحول الضوء إلى إشارات يفسرها دماغنا كإدراك بصري. مستقبلات الضوء المخروطية، على وجه الخصوص، ضرورية للرؤية المركزية الحادة ولإدراك الألوان، وفقدانها علامة مميزة للعديد من أمراض الشبكية. تقنية تصوير قوية تُسمى الفحص الشبكي بالليزر الماسح مع البصريات التكيفية (AOSLO) يمكنها التقاط صور مفصّلة لهذه الخلايا في أشخاص أحياء. ومع ذلك، قبل أن يتمكن الأطباء والباحثون من قياس كثافة المخاريط أو تتبع التغيرات مع الوقت، يجب عليهم أولاً تحديد موقع كل مخروط في الصورة. لا يستهلك التمييز اليدوي وقتاً طويلاً فحسب، بل قد يختلف أيضاً من شخص لآخر، مما يحد من فائدته في العيادات الروتينية والتجارب الكبيرة.

من قواعد مصممة يدوياً إلى التعلم من البيانات

حاولت برامج الحاسوب السابقة أتمتة كشف المخاريط باتباع قواعد ثابتة: على سبيل المثال، البحث عن بقع ساطعة بحجم أو تباعد محدد. يمكن أن تعمل هذه الطرق القائمة على القواعد جيداً على صور نظيفة من عيون سليمة، لكنها غالباً ما تعاني عندما تكون الصور مضطربة بالضوضاء أو ضبابية قليلاً أو مأخوذة من مرضى مصابين بأمراض. يقدم التعلم العميق استراتيجية مختلفة. بدلاً من تصميم قواعد يدوياً، يتعلم الشبك العصبي الأنماط مباشرة من أمثلة. المشكلة أن هذه النماذج عادة ما تحتاج إلى أعداد هائلة من الصور المصنفة بعناية من قبل خبراء — وهو بالضبط نوع البيانات النادرة والمكلفة في تصوير AOSLO.

بناء ميدان تدريب افتراضي

لتجاوز نقص الصور الحقيقية المعلّمة، لجأ الباحثون إلى أداة محاكاة تُدعى ERICA، التي يمكنها توليد صور واقعية شبيهة بـAOSLO لشبكات المخاريط مع معرفة «حقيقية أساسية» مثالية لمواقع كل مخروط. أنشأوا مجموعات كبيرة من هذه الصور التركيبية تغطي مواقع عديدة في الشبكية، مع تغيير منظّم للعيوب الأساسية التي تؤثر على الصور الحقيقية، مثل الضوضاء العشوائية والتمويه البصري الطفيف. ثم دربوا بنية شبكة عصبية متخصصة تعرف باسم U-Net لتحويل كل صورة مدخلة إلى خريطة احتمالية تُظهر أماكن تركز الاحتمال لوجود المخاريط. بعد هذا التدريب الأولي على البيانات التركيبية، قام الفريق بضبط النموذج بدقة باستخدام مجموعة أصغر بكثير من صور AOSLO الحقيقية من مجموعة بيانات عامة معروفة، وأخيراً اختبروه على صور مستقلة من مختبر آخر لقياس مدى تعميمه.

ما مدى مطابقة الكمبيوتر لخبراء البشر

قارن الفريق طريقتهم الآلية بالتمييز اليدوي الدقيق وبخوارزميتين رائعتين للكشف عن المخاريط. باستخدام مقياس قياسي للتداخل بين العلامات المتوقعة واليدوية للمخاريط، حقق U-Net الجديد أداءً مطابِقاً أو قريباً من أداء المقَيّمين الخبراء ومن الطرق الآلية المنافسة على مجموعة البيانات العامة. والأهم من ذلك، أن النموذج حافظ على أداء جيد عندما اختُبر على مجموعة منفصلة من الصور المأخوذة عند مسافات مختلفة من مركز الرؤية والمجمعة بجهاز مختلف. وهذا يوحي بأن التدريب المكثف على بيانات تركيبية تغطي نطاقاً واسعاً من ظروف التصوير ساعد الشبكة على تعلم ميزات قابلة للنقل إلى الصور الحقيقية بدلاً من التوافق المفرط مع كاميرا أو مجموعة مرضى محددة.

ما الذي قد يعنيه هذا لرعاية العيون في المستقبل

بالنسبة لغير المتخصصين، الرسالة الأساسية هي أن برنامج حاسوبي مدرَّب إلى حد كبير على صور «افتراضية» للعين يمكنه الآن اكتشاف المخاريط الحقيقية في مسوح شبكية عالية الدقة بدرجة موثوقية تقارب خبراء البشر. من خلال جعل كشف المخاريط أسرع وأكثر موضوعية وأسهل التطبيق عبر ماسحات وعيادات مختلفة، قد يساعد هذا النهج على تحويل التصوير التفصيلي للشبكية إلى أداة روتينية لتعقب الأمراض على مستوى الخلايا الفردية. وعلى المدى الطويل، يمكن توسيع طرق مشابهة تعتمد على البيانات التركيبية لاكتشاف أنواع خلايا أخرى ولنمذجة الفقدان الخلوي المرتبط بالمرض، مما يدعم التشخيص المبكر والمراقبة الأفضل للتقدم والتقييم الأكثر دقة للعلاجات الجديدة الهادفة إلى الحفاظ على البصر.

الاستشهاد: Shah, M., Young, L.K., Downes, S.M. et al. Automated cone photoreceptor detection using synthetic data and deep learning in confocal adaptive optics scanning laser ophthalmoscope images. Sci Rep 16, 8313 (2026). https://doi.org/10.1038/s41598-026-39570-9

الكلمات المفتاحية: تصوير الشبكية, مستقبلات الضوء المخروطية, التعلم العميق, البيانات التركيبية, البصريات التكيفية