تشخيص الكسور البيطرية: نموذج تعلم عميق لكسور العظام الطويلة لدى الكلاب

لماذا يهم هذا للحيوانات الأليفة وأصحابها

عندما يبدأ الكلب فجأة في العرج، كل دقيقة انتظار للحصول على إجابات تبدو طويلة. يعتمد الأطباء البيطريون على صور الأشعة السينية لتحديد ما إذا كان العظم مكسورًا ومدى خطورة الإصابة، لكن قراءة هذه الصور قد تكون بطيئة وأحيانًا غير حاسمة. تستكشف هذه الدراسة كيف يمكن للبرامج الحاسوبية التي تتعلّم من الأمثلة أن تساعد الأطباء البيطريين على اكتشاف وتصنيف بعض كسور الساق لدى الكلاب بسرعة واتساق أكبر، مما يوفر إرشادًا أسرع للعلاج وراحة بال لأصحاب الحيوانات.

الكسور في الممارسة البيطرية اليومية

تُعدّ الكسور لدى الكلاب مشكلة اعتيادية في العيادات البيطرية. قد تظهر على الحيوانات المصابة علامات ألم أو تورم أو صعوبة في الوقوف أو طرفًا بزاوية شاذة. تعتبر العظام الطويلة في الأرجل، مثل عظم الفخذ أو القصبة، هامة بشكل خاص لأنها تتحمل وزن الكلب. تظهر هذه الكسور في أنماط عدة، من خطوط نظيفة مستقيمة إلى قطاعات ملتوية أو مهشمة، ويجب على الأطباء تحديد مكان الكسر وكيف تستقر الأجزاء وما إذا كان المفصل متورطًا. الدقة في هذا التقييم حاسمة لأنها تؤثر في الاختيار بين الراحة البسيطة أو الجبائر أو الجراحة المعقدة.

كيف يقرأ البرنامج الذكي صور الأشعة

بنى المؤلفون نظامًا حاسوبيًا ينظر إلى صور الأشعة السينية القياسية لأرجل الكلاب ويقرر بين نوعين شائعين من كسور العظام الطويلة يُطلق عليهما الكسر المائل والكسر المتداخل (overriding). الجوهر في نظامهم هو نموذج قوي للتعرف على الصور معروف باسم ResNet50، وهو شكل من أشكال التعلم العميق القادر على التقاط أنماط دقيقة في الصور. ولمقارنة الأداء، اختبروا أيضًا عدة نماذج أخرى مستخدمة على نطاق واسع. وبما أن صورًا بيطرية معنونة نادرة، أضافوا خطوة تلقائية تعزل فقط الجزء من صورة الأشعة الذي يحتوي الكسر، مما يساعد النموذج على التركيز على ما يهم.

الاستفادة القصوى من مجموعة صور صغيرة

أحد التحديات في هذا العمل هو أن الباحثين بدأوا فقط بـ 44 صورة أشعة مناسبة، وهو عدد أقل بكثير من المطلوب عادةً لأنظمة التعلم العميق. للتغلب على ذلك، استخدموا استراتيجية تُدعى زيادة البيانات، حيث ينشئ الحاسوب العديد من التنويعات الواقعية لكل صورة أصلية عن طريق التدوير والتكبير وتعديلات طفيفة مع الحفاظ على نمط الكسر. كما توازنوا بعناية في عدد الصور في كل مجموعة كسر حتى لا يميل النموذج نحو نوع واحد على حساب الآخر. ثم قُسّمت مجموعة البيانات إلى مجموعات تدريب وتحقق واختبار بحيث تُعكس النتائج النهائية الأداء على صور لم يرها النظام من قبل.

مدى أداء النظام

بعد التدريب، نادرًا ما أخطأ نموذج ResNet50 في تصنيف الكسر في صور الاختبار. فقد وصل إلى دقة تقارب 100 بالمئة وحقق درجات عالية جدًا في مقاييس مرتبطة تُظهر مدى قدرته على التعرف الصحيح ورفض التصنيفات الخاطئة لكل نوع من الكسور. وعند مقارنته بستة نماذج تعليم عميق أخرى، لم يكتفِ ResNet50 بتصنيف الكسور بدقة أعلى فحسب، بل أظهر أيضًا قدرة قوية على فصل الفئتين عبر العديد من حالات الاختبار. كما فحص المؤلفون سرعة تشغيل كل نموذج وكمية الذاكرة الحاسوبية التي يستهلكها، فوجدوا أن ResNet50 يحقق توازنًا مناسبًا بين السرعة واستهلاك الموارد والموثوقية.

ما يعنيه هذا للزيارات البيطرية المستقبلية

تشير هذه الدراسة إلى أن أنظمة التعلم المصممة بعناية يمكن أن تدعم الأطباء البيطريين عبر إبراز وتصنيف بعض كسور أرجل الكلاب في صور الأشعة السينية بدرجة عالية من الاتساق. وبينما يركز العمل الحالي على نوعين من الكسور ومجموعة صور صغيرة نسبيًا، يمكن توسيع نفس النهج ليشمل إصابات أكثر تعقيدًا ومجموعات صور أكبر. ومع مرور الوقت، قد تعمل مثل هذه الأدوات كمساعد هادئ في العيادة، مقدمًا رأيًا ثانويًا سريعًا يساعد الأطباء في تخطيط العلاج بشكل أسرع ويمنح الكلاب المصابة فرصة أفضل للرعاية السريعة والدقيقة.

الاستشهاد: Saber, A.S., Selim, I., Askr, H. et al. Veterinary fracture diagnosis: a deep learning model for dogs long bone fractures. Sci Rep 16, 15098 (2026). https://doi.org/10.1038/s41598-026-50387-4

الكلمات المفتاحية: كسور عظام الكلاب, الأشعة البيطرية, التعلم العميق, تصوير بالأشعة السينية, تشخيص الكسور