نهج محسّن لاكتشاف اعتلال الشبكية السكري باستخدام تقنية تعلم عميق محسّنة

لماذا يهم اكتشاف ضرر العين مبكراً

يمكن للسكري أن يضر بهدوء الأوعية الدموية الصغيرة في مؤخرة العين، مما يؤدي في النهاية إلى رؤية ضبابية أو حتى العمى. يمكن لأطباء العيون اكتشاف هذه الحالة — المسماة اعتلال الشبكية السكري — من خلال فحص صور مفصلة للشبكية. ولكن مع وجود ملايين الأشخاص المعرضين للخطر وقلة الأخصائيين، لا يتم فحص العديد من المرضى في الوقت المناسب. تستعرض هذه الدراسة كيف يمكن لنظام ذكاء اصطناعي مصمم بعناية قراءة صور الشبكية بدقة وموثوقية أكبر، مما يساعد على اكتشاف المشاكل مبكراً بما يكفي للحفاظ على البصر.

صور العين كمصدر بيانات غني

صور الشبكية، المعروفة بصور القاع (fundus images)، هي أكثر من مجرد لقطات بسيطة. فهي تلتقط كيفية امتصاص الضوء وانعكاسه وتشتته عبر طبقات العين، كاشفة عن الأوعية الدموية، والتسريبات الصغيرة، والندوب. هذه الأنماط غنية بالدلائل حول الضرر الناتج عن السكري، لكنها أيضاً معقدة: تختلف الصور في السطوع والتركيز ونوع الكاميرا وخلفية المريض. اعتمدت البرامج الحاسوبية السابقة إما على مقاييس مصممة يدوياً تُفوّت التغيرات الرفيعة، أو على شبكات تعلم عميق يمكن أن تكون قوية لكنها عرضة للافراط في التعميم، خصوصاً عندما تختلف جودة الصور أو الظروف السريرية. التحدي هو بناء نظام آلي يتعلم من هذه البيانات الفوضوية والعالية الأبعاد دون أن يصبح هشاً أو غير متوقع.

تعليم شبكة عصبية لرؤية علامات التحذّر الرئيسية

يستخدم المؤلفون أولاً نموذج تعلم عميق حديث، EfficientNet‑B0، ليعمل بمثابة «مستخرج ميزات» متدرّب جيداً لكل صورة شبكية. بدلاً من أن يقوم الأطباء بوضع علامات يدوية على كل نزيف أو ترسب دهني، تتعلّم الشبكة أنماطاً بصرية مُجردة تظهر باستمرار في العيون المريضة مقابل السليمة. لجعل النظام أكثر متانة، تُنقّح وتُوحَّد كل الصور: تُعاد تحجيمها، وتحوّل إلى تدرج الرمادي للتركيز على البنية بدلاً من اللون، وتُعزّز لتوضيح البقع الصغيرة وتفاصيل الأوعية. تُحوّل صور تدرج الرمادي بعد ذلك إلى صيغة تستطيع الشبكة المدربة مسبقاً التعامل معها، وتُعدَّل الطبقات النهائية للشبكة بلطف حتى تستجيب مرشحاتها الداخلية بقوة لبنى الشبكية بدلاً من الأشياء اليومية.

سماح سرب افتراضي باختيار الدلائل الأكثر إفادة

حتى بعد التعلم العميق، تُمثّل كل صورة بأكثر من ألف ميزة رقمية، كثير منها متكرر. إدخال كل هذه الميزات إلى مصنّف يبطئ عملية التعلم وقد يُموّه الفروق بين مراحل المرض. لمعالجة ذلك، يلجأ الفريق إلى مُحسّن مستوحى من الطبيعة يحاكي حركة الجراد. في خوارزمية تحسين الجراد الديناميكية، يمثّل كل «جرادة» مجموعة ميزات مختلفة. على مدى تكرارات عديدة، يستكشف السرب التراكيب، موجهًا بتوازن بين التجول الواسع والتركيز على المناطق الواعدة. والأهم أن معلمات التحكم تتغير مع الزمن، مما يمنع السرب من التوقف مبكراً. النتيجة مجموعة أصغر بكثير من الميزات الموجزة — نحو مائة بدلاً من 1,280 — مع احتفاظها بالإشارات المهمة مثل تجمعات الأنيورزمات الدقيقة، وبقع الإفرازات، أو أنماط تورم الأوعية.

آراء بسيطة متعددة تعطي تشخيصاً أقوى

بدلاً من الاعتماد على نموذج واحد، يستخدم النظام تجميعاً مكدساً من عدة مصنّفات مختلفة. يتلقى كل من آلة الدعم الناقل (SVM)، وشبكة بايزية، وشجرة قرار مجموعة الميزات المحسّنة ويُنتج كلٌّ منها احتمالاً خاصاً بأن تكون العين في مرحلة مرضية معينة. تُجمَع هذه «الآراء» بعد ذلك بواسطة طريقة تعزيز تدرجي سريعة تُدعى LightGBM، التي تتعلم كيفية وزن كل نموذج أساسي بحسب السياق. هذا التصميم الطبقي يقلل فرصة أن تهيمن نقاط ضعف نموذج واحد. يختبر المؤلفون إطارهم على مجموعات بيانات عامة كبيرة من صور الشبكية، بما في ذلك مجموعات EyePACS وAPTOS المستخدمة على نطاق واسع، ويقارنونه مع خطوط أنابيب تعلم عميق رائدة ومحسّنات أخرى مستوحاة من الطبيعة.

مدى أداء النظام في اختبارات تشبه الواقع

عبر التجارب، يتفوق إطار الجراد الديناميكي–التجميعي باستمرار على الطرق المنافسة. في المقاييس الرئيسية يصل إلى نحو 94–95% من الدقة، ودرجة F1 عالية (التي توازن بين الحالات الضائعة والإنذارات الكاذبة)، ومساحة تحت منحنى ROC تبلغ 0.96، مما يشير إلى فصل قوي بين العيون السليمة والمريضة. كما يعمم جيداً عبر تقسيمات تدريب‑اختبار مختلفة ومجموعات بيانات إضافية، ويحافظ على معظم أدائه عندما تُشوّش الصور أو تُشوَّه صناعياً — ظروف تهدف لمحاكاة تباين العيادات الحقيقية. على النقيض، تميل خوارزميات السرب الأقدم ذات الإعدادات الثابتة إلى التقارب المبكر، والاحتفاظ بالمزيد من الميزات المتكررة، وإعطاء حساسية ونوعية أقل، خصوصاً على البيانات الصعبة أو غير المتوازنة.

ما الذي يعنيه هذا للمرضى والعيادات

بعبارات يومية، تُظهر الدراسة أن دمج شبكة تحليل صور حديثة مع سرب ذكي لاختيار الميزات وفريق من المصنّفات البسيطة يمكن أن ينتج «قارئاً ثانياً» سريعاً ودقيقاً ومقارباً من حيث المتانة لاعتلال شبكية السكري. لن يحل مثل هذا الأداة محل أطباء العيون، لكن يمكنه المساعدة في تحديد المرضى المعرضين للخطر مبكراً، خاصة في العيادات المزدحمة أو ذات الموارد المحدودة حيث قلة الأخصائيين. يشير المؤلفون إلى أن هناك حاجة لمزيد من التحقق على بيانات المستشفيات المحلية ومتابعة العمل لتقليل التكلفة الحاسوبية، لكن نهجهم المدفوع بالفيزياء والتحسين يقرب الفحص الآلي من نشر موثوق في العالم الحقيقي.

الاستشهاد: Darwish, S.M., Milad, K.G. & Ibrahim, R.E.ED. An enhanced diabetic retinopathy detection approach using optimized deep learning technique. Sci Rep 16, 9825 (2026). https://doi.org/10.1038/s41598-026-41998-y

الكلمات المفتاحية: اعتلال الشبكية السكري, تصوير الشبكية, التعلم العميق, اختيار الميزات, الذكاء الاصطناعي الطبي