تطبيق مشغلات OWA الملساء في تصنيف التهاب الشبكية الصباغي

لماذا هذا مهم للبصر

فقدان الرؤية تدريجياً نتيجة مرض وراثي في العين أمر مخيف، وتشخيص هذه الحالات مبكراً ضروري للحفاظ على البصر. تبحث هذه الدراسة في كيفية مساعدة الذكاء الاصطناعي الحديث للأطباء على التمييز بين عدة اضطرابات شبكية نادرة لكنها خطيرة، بما في ذلك التهاب الشبكية الصباغي، باستخدام صور مفصّلة لمؤخرة العين. من خلال العثور على طريقة أكثر ذكاءً لدمج أحكام العديد من النماذج الحاسوبية المختلفة، يُظهر الباحثون أن الحواسيب يمكنها اكتشاف هذه الأمراض بشكل أكثر موثوقية من ذي قبل، حتى عندما تكون مجموعة صور المرضى صغيرة.

رؤية المرض في صور العين

التهاب الشبكية الصباغي هو مجموعة أمراض وراثية تدمر ببطء الخلايا الحساسة للضوء في الشبكية. غالباً ما يلاحظ المصابون مشاكل في الرؤية الليلية أولاً، ثم يفقدون الرؤية الجانبية، وقد يصابون بالعمى في نهاية المطاف. الاضطرابات المرتبطة، مثل ضمور المخروط-القصبة ومتلازمة آشر، قد تبدو مشابهة في صور العين وقد تشترك في أنماط بصرية دقيقة. في هذه الدراسة، جمع اختصاصيو مركز طبي في لوبلين، بولندا، صور شبكية واسعة النطاق من 186 مريضاً بهذه الحالات، إلى جانب صور لعيون سليمة مأخوذة من قاعدة بيانات منفصلة. النتيجة كانت مهمة تصنيف من خمسة فئات: نوعان وراثيان من التهاب الشبكية الصباغي، ضمور المخروط-القصبة، متلازمة آشر، ومجموعة ضابطة سليمة. كان مجموعة البيانات صغيرة وغير متوازنة، مما يعكس ندرة هذه الحالات في العالم الحقيقي — بعض الفئات كانت تحتوي على أمثلة أكثر بكثير من غيرها، مما جعل المهمة أكثر تحدياً.

تعليم الآلات قراءة الشبكية

لتفسير هذه الصور، لجأ المؤلفون إلى أنظمة قوية للتعرف على الصور طورت أصلاً للصور اليومية: شبكات عصبية التلافيف (CNN) ونماذج المحول الحديثة. اختبروا عدة بنى، بما في ذلك EfficientNet وResNet وVGG وInception وإصدارين من Vision Transformer. تم تدريب كل شبكة أولاً على قاعدة بيانات صور عامة كبيرة ثم تهيئتها (fine-tuning) على صور الشبكية، وهي استراتيجية تُعرف بالتعلّم بالنقل. ساعدت تقنيات تكبير البيانات القياسية، كقلب الصورة وتدويرها وتشويهها قليلاً، النماذج على التعامل مع اختلافات أجهزة التصوير وتشريح المرضى. حتى مع هذه التقنيات المتقدمة، كانت أفضل شبكة مفردة تصنف بشكل صحيح نحو ثلثي حالات الاختبار فقط، وكان الأداء أسوأ بشكل ملحوظ في فئات الأمراض الأندر.

السماح للعديد من النماذج بالتصويت معاً

بدلاً من الاعتماد على شبكة واحدة فقط، طرح الباحثون سؤالاً: ماذا لو اعتبرنا كل نموذج خبيراً في لوحة ودمجنا آرائهم؟ هذه الفكرة، المسماة التجميع أو تعلم التجميع (ensemble learning)، شائعة في تعلّم الآلة لكنها غالباً ما تُنفَّذ عبر تصويت بسيط أو متوسط. هنا استخدم الفريق عائلة أكثر مرونة من الأدوات المعروفة بمشغلات المتوسط المرجّح المرتّبة (Ordered Weighted Averaging - OWA). لكل تشخيص محتمل، تأخذ OWA الاحتمالات التي تنتجها كل الشبكات، وتُرتّبها من الأعلى إلى الأدنى، ثم تمزجها بمجموعات أوزان مختارة بعناية. في الواقع، تعطي تأثيراً أكبر للنماذج الأكثر ثقة، بينما تظل تراعي بقية النماذج. هذا التجميع وحده أنتج قفزة دراماتيكية في الدقة الإجمالية، من نحو 68% لأفضل نموذج فردي إلى أكثر من 93% عندما جُمعت مخرجات الشبكات بواسطة مخطط OWA أساسي.

تنعيم التصويت للحالات الصعبة

الابتكار الرئيسي في الدراسة كان نسخة محسّنة تُسمى Smooth OWA. بدلاً من التعامل مع احتمال كل نموذج بشكل منفصل، تقوم Smooth OWA بـ "تنعيم" كل قيمة برفق باستخدام قيم جيرانها قبل تطبيق المزج الوزني. قواعد التنعيم مستعارة من صيغ التكامل العددي الكلاسيكية، المعروفة بتربيعات نيوتن-كووتز (Newton–Cotes)، التي تُستخدم عادة لحساب المساحات بدقة. مترجمة إلى هذا السياق، تساعد هذه القواعد على تسوية التنبؤات غير المستقرة أو الحافة بين النماذج. رغم أن الزيادة الإضافية على OWA القياسي كانت متواضعة — بترتيب نصف نقطة مئوية في الدقة — إلا أنها كانت ثابتة عبر الاختبارات المتكررة ودفعت الأداء إلى نحو 94%. والأهم أن مصفوفات الارتباك أظهرت انخفاضاً حاداً في الأخطاء عبر جميع الفئات الخمس، خصوصاً للأمراض الأندر. في بعض المجموعات ارتفعت معدلات التعرف الصحيحة من نحو ثلثي الحالات مع أفضل نموذج فردي إلى ما يزيد بكثير على 90% مع Smooth OWA.

ماذا يعني هذا للمرضى والأطباء

بالنسبة لغير المتخصص، الرسالة الرئيسية هي أن لا نموذج ذكاء اصطناعي واحد بحاجة إلى أن يكون مثالياً ليكون مفيداً سريرياً. من خلال الجمع الدقيق لعدة نماذج جيدة لكنها غير كاملة وتثبيت مخرجاتها بلطف، حوّل الباحثون مجموعة من الأدوات "الجيدة إلى حد ما" إلى مساعد قرار قوي جداً. نهج Smooth OWA تعامل مع مجموعة بيانات صغيرة وغير متوازنة وما زال يحقق مستويات أداء كان من الصعب بلوغها بخلاف ذلك. على الرغم من أن العمل لا يزال في مرحلة البحث ويحتاج إلى التحقق منه في دراسات أكبر ومتعددة المراكز قبل أن يُستخدم في رعاية المرضى الحقيقية، إلا أنه يشير إلى طريق واضح للأمام: أنظمة تشخيصية مستقبلية للأمراض الشبكية النادرة قد تعتمد ليس على خوارزمية واحدة، بل على "مجلس" من الخوارزميات التي يكون حكمها الجماعي أكثر دقة وأكثر موثوقية.

الاستشهاد: Rachwał, A., Rachwał, A., Powroźnik, P. et al. Application of smooth OWA operators to classification of retinitis pigmentosa. Sci Rep 16, 11995 (2026). https://doi.org/10.1038/s41598-026-41840-5

الكلمات المفتاحية: التهاب الشبكية الصباغي, التعلّم العميق, تصوير الشبكية, طرق التجميع, الذكاء الاصطناعي في التشخيص الطبي