شبكة مهام متعددة متنبهة ومقيّدة لتحليل صور الشبكية الموحد

لماذا تهم فحوصات العين لمرضى السكري

يمكن أن يتلف الجزء الخلفي من العين بهدوء بسبب السكري، ما يؤدي إلى اعتلال الشبكية السكري، وهو سبب رئيسي للعمى الذي يمكن الوقاية منه. يمكن لصور العين المنتظمة للشبكية اكتشاف هذا التلف مبكراً، لكن لا يوجد عدد كافٍ من الأخصائيين لمراجعة كل صورة يدوياً. تقدّم هذه الورقة نظاماً ذكياً واحداً يمكنه كلٌّ من تحديد هيكل عيني رئيسي وتقييم مدى تقدم المرض، بهدف تسريع الفحص على نطاق واسع وجعله أكثر اتساقاً وأسهل نشرًا.

نظام واحد بدلاً من أدوات منفصلة عديدة

حالياً، تركز الأدوات الحاسوبية التي تقرأ صور الشبكية عادةً على مهمة واحدة في كل مرة، مثل تصنيف شدة المرض أو تعقب حافة القرص البصري، المنطقة الدائرية المضيئة حيث تخرج الأعصاب من العين. تشغيل عدة أدوات منفصلة لا يبطئ فحسب بل يهدر أيضاً الدلائل المشتركة في الصورة، لأن شكل وموقع القرص البصري مرتبطان ارتباطاً وثيقاً بأماكن ظهور تلف السكري. يقترح المؤلفون نموذجاً موحداً اسمه GTAM Net يأخذ صورة شبكية واحدة وينفذ مهمتين في آن واحد: يرسم قناعاً دقيقاً للقرص البصري ويصنّف العين ضمن واحدة من خمس مراحل للاعتلال الشبكي السكري، من عدم وجود مرض إلى أشد صورة منه.

كيف يشارك نموذج العين الذكي ما يتعلمه

في قلب GTAM Net تكمن فكرة السماح للمهمتين بمساعدة بعضهما دون أن تتداخل إحداهما مع الأخرى. يحوّل النظام أولاً صورة الشبكية إلى مجموعة من خرائط الميزات التي تلتقط الأشكال والألوان والأنسجة عبر مقاييس متعددة، من تفاصيل الأوعية الدقيقة إلى أنماط أوسع. ثم يقرر وحدة بوابة خاصة، لكل طبقة، أي أجزاء من هذه المعلومات ينبغي مشاركتها وأيها تُبقى خاصة إما لتجزئة القرص البصري أو لتصنيف المرض. بالتوازي، تتيح وحدة اهتمام أخرى لتفرعي المهمتين استعارة تلميحات مفيدة من بعضهما، بحيث يمكن لعلامات المرض أن تُحسّن تحديد محيط القرص، ومعرفة القرص والهياكل الأخرى أن تُوضّح تصنيف المرض.

موازنة المهام والعمل عبر مجموعات بيانات متعددة

تدريب نظام مشترك مثل هذا أمر معقد، لأن إحدى المهام قد تهيمن بسهولة على عملية التعلم. لتجنّب ذلك، يتيح المؤلفون للنموذج تقدير درجة عدم اليقين بشأن كل مهمة أثناء التدريب ومن ثَمّ منح وزن أكبر أو أصغر لكل هدف تلقائياً. كما يستخدمون هرم ميزات يحتفظ بكل من التفاصيل الصغيرة والتخطيط العام. تم اختبار GTAM Net على خمس مجموعات شبكية عامة كبيرة تختلف في جودة الصورة ونوع الكاميرا وتركيبة المرضى. في مجموعات البيانات التي تتوفر فيها حواف القرص المرسومة بخبرة، يصل النظام إلى مقياس دايس قريب من 98 في المئة، وهو في مستوى يضاهي أو يتفوق على أدوات تجزئة القرص السابقة. أما لتصنيف اعتلال الشبكية السكري، فيبلّغ عن دقّات تقارب 98 إلى 99 في المئة على عدة مجموعات اختبار، متفوقاً على طرق قوية قائمة تحت نفس الشروط.

المتانة والحدود وما تكشفه الصور

يتجاوز المؤلفون الدرجات الخام ويفحصون أماكن نجاح أو فشل النظام. تُظهر خرائط الانتباه أنه عند تصنيف المرض يركّز النموذج على بقع مثيرة للريبة مثل النزوف الصغيرة والترسّبات المضيئة، بينما بالنسبة للتجزئة يلتقط حافة القرص والأوعية المجاورة. عندما تكون الصور ضبابية أو سيئة الإضاءة أو تحتوي أشكال عينية نادرة أو نزفاً شديداً جداً، قد تنزلق الحواف والتصنيفات، وتميل الأخطاء إلى الحدوث بين مستويات شدة متجاورة يجد حتى الأخصائيون صعوبة في التفريق بينها. يُظهر الاختبار العابر، حيث يُدرّب النموذج على مجموعة بيانات ويُقيّم على أخرى، هبوطات أداء متواضعة فقط، مما يشير إلى أن التصميم المشترك المقيّد يلتقط أنماط شبكية عامة بدلاً من خصائص مجموعة واحدة فقط.

ماذا يعني هذا لفحص العين في المستقبل

بعبارة بسيطة، تُظهر الدراسة أن شبكة مُصمّمة بعناية «اثنان في واحد» يمكن أن توازي أو تتفوق على الأدوات المنفصلة لرسم هياكل العين الرئيسية وتصنيف تلف السكري، بينما تبقى سريعة بما يكفي للفحص العملي. من خلال السماح للمهمتين بمشاركة المعلومات بطريقة مسيطرة عليها وبواسطة ضبط تأثيرهما أثناء التدريب، توفّر GTAM Net أداءً دقيقاً ومستقراً إلى حدّ ما عبر مصادر صور متنوّعة. ومع أن المؤلفين يؤكدون أن العيادات الواقعية أكثر تعقيداً من مجموعات الاختبار المنسقة وأن الحكم البشري لا يزال ضرورياً، تشير نتائجهم إلى أن النماذج الموحدة الواعية بالمهام قد تصبح لبنات بناء مركزية في برامج الفحص الآلي واسعة النطاق للعين.

الاستشهاد: Sajid, M.Z., Qureshi, I., Hamid, M.F. et al. A gated task-attentive multi-task network for unified retinal image analysis. Sci Rep 16, 16426 (2026). https://doi.org/10.1038/s41598-026-52418-6

الكلمات المفتاحية: اعتلال الشبكية السكري, تصوير الشبكية, تجزئة القرص البصري, تعلم مهام متعددة, الذكاء الاصطناعي الطبي