شبكة الاندماج التكيفية متعددة النطاقات لتجزئة طبقات الشبكية والسوائل في مقاطع الأشعة البصرية البصرية B-scans

مسح للعين أوضح لرعاية البصر اليومية

يمكن لأمراض مثل داء السكري والتنكس البقعي المرتبط بالعمر أن تتلف الشبكية —النسيج الحساس للضوء في مؤخرة العين— بهدوء قبل أن نلاحظ أي تغيّر في الرؤية. توفر أجهزة المسح الحديثة المسماة التصوير المقطعي البصري التوافقي (OCT) بالفعل صور مقطعية مفصّلة للشبكية، لكن تفسير هذه الصور يدويًا بطيء وقد يفوّت علامات تحذيرية دقيقة. تقدم هذه الدراسة نظامًا حاسوبيًا متقدمًا، AMDF‑Net، مصمّمًا لتتبّع طبقات الشبكية الرقيقة وجيوب السوائل بدقة عالية تلقائيًا، ما قد يتيح تشخيصًا ومراقبة أسرع وأكثر موثوقية لأمراض العين العمياء.

لماذا تهم السوائل في العين إلى هذا الحد

في عدة حالات عينية شائعة —بما في ذلك وذمة البقعة السكّريّة، والتنكس البقعي المرتبط بالعمر ومشكلات الأوردة أو الأعصاب الشبكية— تتكوّن تجمعات صغيرة من السائل داخل الشبكية أو تحتها. تخبر أبعادها وشكلها وموقعها الدقيق الأطباء عما إذا كان العلاج ينجح أو إذا كانت الحالة تتفاقم. تلتقط صور OCT هذه الميزات بتفصيل كبير، لكن الشبكية تتألف من طبقات رقيقة جدًا تتمايل وتتداخل. قد تُطمس السوائل الحدود وتظهر على شكل بقع غير منتظمة. برامج الحاسوب التقليدية، وحتى أدوات التعلم العميق الأقدم، غالبًا ما تكافح لتمييز هذه الطبقات والسوائل بشكل صحيح عندما تكون الصور ضوضائية أو التباين منخفضًا أو نمط المرض غير مألوف.

مساعد رقمي جديد لصور OCT

طوّر الباحثون AMDF‑Net (شبكة الاندماج التكيفية متعددة النطاقات) لمواجهة هذه التحديات مباشرة. يأخذ النظام مسوحات OCT الخام للعين ويقوم أولًا بتنقيتها عبر تعزيز الحواف، وتقليل الضوضاء ومطابقة السطوع حتى تبرز البُنى الدقيقة وتبدو الصور القادمة من ماسحات مختلفة أكثر تشابهًا. ثم يمرر البيانات عبر مسارين مكملين: يركز أحدهما على التفاصيل المحلية الصغيرة مثل الحدود الرفيعة بين الطبقات، بينما يحلل الآخر أنماطًا أوسع عبر المسح بأكمله، فيلتقط كيفية انحناء الطبقات وأماكن تجمع السوائل. يجمع بلوك اندماج خاص هذين المنظورين ويستخدم آلية انتباه —طريقة فعليًا لـ «إيلاء مزيد من الاهتمام» تلقائيًا للمناطق المعلِّمة— لتمييز الخصائص التي من المرجّح أن تمثل نسيجًا مريضًا.

رؤية التشريح والمرض معًا

بعيدًا عن مجرد رسم حدود التشريح السليم، يتضمن AMDF‑Net وحدة شاملة للمرض مهيّأة لأنماط تُرى في مرضى حقيقيين، مثل جيوب السوائل داخل الشبكية وتحتها أو مناطق ارتقاع النسيج الداعم. يتعلّم هذا الجزء من الشبكة أثناء التدريب أن يبرز أنماط الصورة التي عادةً ما تشير إلى المرض، مع الحفاظ في الوقت نفسه على تتبّع البنية الطبقية الطبيعية. يُوجَّه النظام بدالة خسارة مصمّمة بعناية —مقياس رياضي يسعى إلى تحسينه— تكافئ كلًا من ملء المناطق بدقّة وحدودًا حادة. من خلال دمج التغذية الراجعة القائمة على المناطق وتركيز الحواف أثناء التعلم، يُدفع النموذج لإنتاج تقسيمات لا تتداخل فقط جيدًا مع علامات الخبراء، بل تمتلك أيضًا محاورًا ناعمة وذات معنى سريري.

مختبر عبر العديد من المرضى والماسحات

لتقييم أداء AMDF‑Net عمليًا، اختبره المؤلفون على ثلاث مجموعات OCT عامة معروفة ومجموعة بيانات سريرية من مستشفى عيون مزدحم. تغطي هذه المجموعات أمراضًا وماركات ماسحات وجودات صور مختلفة، بما في ذلك مناطق صعبة حول العصب البصري وجيوب سوائل دقيقة يفوّتها العديد من الخوارزميات. عبر جميعها، طابق AMDF‑Net أو تفوق باستمرار على الأساليب الرائدة، محسنًا مقاييس الدقة الشائعة بنحو ثلاث إلى خمس نقاط مئوية وخافضًا الأخطاء الظاهرة مثل خطوط الطبقات المكسورة أو بقع السوائل المعرَّفة خطأ. والأهم أن النظام تعامل مع صور من مصنّعين مختلفين مع تراجع طفيف فقط في الأداء، وهو مطلب رئيسي للاستخدام المستقبلي في العيادات اليومية.

ماذا يعني هذا للمرضى والعيادات

بالنسبة لغير المتخصصين، الرسالة الأساسية أن AMDF‑Net يعمل كمساعد رقمي مدرّب تدريبًا عاليًا يمكنه تتبّع بنية الشبكية ونقاط المشكلات في مسوحات OCT بسرعة وبموثوقية. من خلال تطبيقه على عدد كبير من الصور، قد يساعد أطباء العيون على اكتشاف المرض مبكرًا، وتتبع التغيرات الطفيفة بين الزيارات وتخصيص العلاجات بدقة أكبر، حتى في بيئات مزدحمة أو محدودة الموارد. بينما يتطلب الأسلوب حاليًا قوة حسابية أكبر من النماذج الأبسط، يشير المؤلفون إلى أن تحسينات مستقبلية وتقنيات الضغط يمكن أن تجعله سريعًا بما يكفي للاستخدام الروتيني بجانب المريض. على المدى الطويل، قد تساعد أدوات مثل AMDF‑Net في حفظ البصر من خلال تحويل مسوحات العين المعقّدة إلى خرائط واضحة وقابلة للتنفيذ لصحة الشبكية.

الاستشهاد: Mani, P., Ramachandran, N., Sowmya, V. et al. Multi-scale adaptive fusion network for retinal layer and fluid segmentation in optical coherence tomography B-scans. Sci Rep 16, 10600 (2026). https://doi.org/10.1038/s41598-026-44006-5

الكلمات المفتاحية: التصوير المقطعي البصري التوافقي, أمراض الشبكية, تقسيم التعلم العميق, الذكاء الاصطناعي في التصوير الطبي, وذمة البقعة