التعلم العميق الموجه بالتشريح السياقي لتحديد بقعة الرفض البقعي بدقة في صور قاع العين لاعتلال الشبكية السكري

رؤية الخطر في عيون مرضى السكري

لملايين الأشخاص المصابين بالسكري، يمكن أن تمثل بقعة صغيرة في مركز شبكية العين — البقعة البؤرية — الفارق بين بصر واضح وفقدان دائم للرؤية. يستخدم الأطباء بالفعل صور ملونة لجهة مؤخرة العين (صور قاع العين) لفحص اعتلال الشبكية السكري، وهو سبب رئيسي للعمى الذي يمكن الوقاية منه. لكن أدوات الأتمتة الحالية تحدد البقعة البؤرية غالبًا كنقطة واحدة بدلاً من رسم مساحتها الحقيقية، وهي المعلومة التي يحتاجها الأطباء فعلاً لتقرير من يحتاج إلى حقن، ومن يحتاج إلى علاج بالليزر، ومن يمكنه الانتظار بأمان. تُظهر هذه الدراسة كيف يمكن لطريقة ذكاء اصطناعي قائمة على البيانات أن تتعلم رؤية البقعة البؤرية بشكل أشبه بما يراه أخصائي العيون، عبر الانتباه إلى المشهد التشريحي الكامل للعين بدلاً من التركيز على البقعة نفسها فقط.

لماذا يصعب رسم حدود البقعة البؤرية

البقعة البؤرية عبارة عن انطباع ضحل وصغير في الشبكية يمنحنا رؤية مركزية حادة وإدراكًا غنيًا للألوان. على صور قاع العين تكون حدودها غير واضحة، ومظهرها يختلف من كاميرا إلى أخرى، ويمكن للأمراض أن تجعلها أكثر ضبابية. اعتمدت الطرق الحاسوبية التقليدية على قواعد بسيطة متعلقة بالسطوع والهندسة، والتي تنهار بسرعة عند وجود آفات أو جودة صور ضعيفة. حسنت أنظمة التعلم العميق الأحدث كشف البقعة البؤرية، لكنها عادةً تعامل كل بنية عينية على حدة أو تعتمد على تصاميم شبكية متزايدة التعقيد. وكلا النهجين غالبًا ما يتجاهل واقعًا سريريًا أساسيًا: أطباء العيون لا يبحثون عن البقعة البؤرية بمفردها—هم يستخدمون معالم مثل القرص البصري ونمط الأوعية الدموية لاستنتاج مكان البقعة حتى عندما تكون صعبة الرؤية.

تعليم الذكاء الاصطناعي قراءة خارطة العين

يقترح المؤلفون استراتيجية مختلفة: بدل اختراع بنى شبكية أكثر تعقيدًا، غنّوا الوسوم المستخدمة لتدريب نموذج قياسي وكفء. أنشأوا مجموعة بيانات جديدة، IDRiD-RETA-FV، فيها رسم أخصائيو العيون بعناية حدودًا على مستوى البكسل ليس للبقعة البؤرية فحسب بل أيضًا للقرص البصري، والأوعية الدموية، والشبكية ككل، والخلفية. اتبع اثنان من أطباء العيون بروتوكولًا صارمًا ووصلا إلى اتفاق شبه كامل على هذه العلامات، مما وفّر مرجعًا قويًا لنظام الذكاء الاصطناعي. ضمن هذه المجموعة استخدموا MNv4Fovea، نموذج فصل (تقسيم) قائم على بنية مستخدمة على نطاق واسع، ولكن درّبوه لتقسيم كل البنى التشريحية معًا. عبر إضافة مزيد من السياق تدريجيًا إلى وسوم التدريب—أولًا البقعة مقابل الخلفية فقط، ثم إضافة القرص البصري، ثم الشبكية، وأخيرًا الأوعية—تمكنوا من قياس مقدار مساعدة كل عنصر تشريحي في إيجاد البقعة البؤرية.

كيف يعزز السياق والزيادة الذكية الدقة

تظهر النتائج أن السياق مهم للغاية. عندما تعلم النموذج من وسوم البقعة والخلفية فقط، لم يتعرّف بشكل صحيح سوى على قليل أكثر من ربع بكسلات البقعة. أضافت إضافة القرص البصري تحسنًا طفيفًا فقط. لكن بمجرد أن أُدرجت حدود الشبكية ارتفعت الأداء بشكل حاد، وإضافة الأوعية دفعت الاستدعاء البؤري إلى أكثر من 90 بالمئة. بعبارة أخرى، عندما مُنح نموذج الذكاء الاصطناعي نفس خارطة الطريق التي يستخدمها أطباء العيون—القرص، والأوعية، وحدود الشبكية—أصبح أفضل بكثير في رسم حدود البقعة البؤرية. لمساعدة النظام على العمل عبر صور من كاميرات مختلفة، ابتكر الفريق أيضًا طريقة جديدة لتغيير لون الصورة وسطوعها. نمذجوا كيف تبدو مجموعات بيانات عين عامة أخرى باستخدام توزيع إحصائي يُسمى توزيع القيمة المتطرفة المعمم (GEV) وحوّلوا صور التدريب لتقليد تلك الأنماط مع الحفاظ على البنية التشريحية. أكدت هذه الزيادات المستندة إلى GEV تقريبًا ضعْف معدل اكتشافات البقعة الناجحة مقارنةً بتعديلات هندسية معيارية فقط.

إثبات الفعالية عبر مجموعات بيانات متعددة

اختبروا MNv4Fovea على كل من مجموعة البيانات الجديدة المعلّمة من قبل الخبراء وعلى عدة مجموعات عامة معروفة من صور الشبكية. على جزء الاختبار المحفوظ من IDRiD-RETA-FV حقق تداخلًا عاليًا بين المناطق البؤرية المتوقعة والحقيقية وحدد مركز البقعة ضمن بضعة بكسلات فقط—باختصار، كان بالكاد يفشل في اكتشاف البقعة عندما كانت موجودة. على مجموعات خارجية مثل MESSIDOR وREFUGE وARIA وMAPLES-DR، ضاهى النموذج أو تفوق على طرق متقدمة في مدى قرب تنبؤاته البؤرية من نقاط المرجع. ومن المثير للاهتمام أن الدرجات العددية كانت تبدو متواضعة في بعض الحالات لأن المجموعات الخارجية عرّفت "البقعة البؤرية" بشكل مختلف—مثل وسم منطقة ماكولا واسعة بدل البقعة البؤرية السريرية الصغيرة—ومع ذلك أظهر مراجعة الخبراء أن تنبؤات النموذج كانت معقولة تشريحيًا وغالبًا أقرب إلى رأي الأخصائيين من الوسوم الأصلية.

ماذا يعني هذا للمرضى والأدوات المستقبلية

بالنسبة للأشخاص المصابين بالسكري، تبرز الدراسة طريقًا نحو أدوات فحص أكثر موثوقية وقابلة للنشر على نطاق واسع تقوم بأكثر من وضع نقطة على الشبكية. عبر التعلم من السياق التشريحي الكامل—القرص، والأوعية، وحدود الشبكية—بدل الاعتماد على حيل في تصميم الشبكات وحدها، يمكن لـ MNv4Fovea رسم المنطقة البؤرية بدقة، وهي خطوة أساسية لتحديد ما إذا كان التورم أو الآفات قريبين بما يكفي لتهديد الرؤية المركزية. يجادل المؤلفون بأن هذا النهج المرتكز على البيانات والموجه بالتشريح يمكنه أن يُكمل التقدم المستقبلي في تصميم الشبكات، وأن استراتيجيات مماثلة قد تفيد العديد من المجالات الأخرى في تصوير الطب حيث يجب العثور على تراكيب دقيقة ضمن مناظر معقدة ومتغيرة المرضية.

الاستشهاد: Chankhachon, S., Kansomkeat, S., Bhurayanontachai, P. et al. Contextual anatomy-guided deep learning for accurate fovea segmentation in diabetic retinopathy fundus images. Sci Rep 16, 10388 (2026). https://doi.org/10.1038/s41598-026-40287-y

الكلمات المفتاحية: اعتلال الشبكية السكري, تصوير الشبكية, تحديد البقعة البؤرية, التعلم العميق, تحليل الصور الطبية