إطار تكيفي أثناء الاختبار للكشف عن عدة أمراض شبكية باستخدام نماذج أساسية طبّية للعين

لماذا يهم تحسين فحوصات العين

ملايين الأشخاص حول العالم معرضون لفقدان البصر من حالات مثل داء السكري، والزرق، والتغيرات المرتبطة بالعمر في الجزء الخلفي من العين. يستطيع الأطباء رصد كثير من هذه المشاكل في صور داخل العين المسماة صور الغشاء الشبكي، لكن فحص كل صورة بدقة يستهلك وقتاً طويلاً، خصوصاً عندما قد تظهر عدة أمراض في آن واحد. تقدم هذه الدراسة RetExpert، نظام ذكاء اصطناعي جديد مصمم ليعمل كأخصائي عيون متعدد المهام: يفحص العديد من أمراض الشبكية في وقت واحد، ويتعامل مع بيانات العالم الحقيقي غير المرتبة، ويتكيّف فورياً مع عيادات وكاميرات مختلفة.

رؤية العديد من مشكلات العين في آن واحد

الأدوات التقليدية للذكاء الاصطناعي في فحوصات العين تُدرَّب عادة للكشف عن مرض واحد فقط في كل مرة وغالباً ما تفترض أن الصور ستشبه جداً تلك المستخدمة أثناء التدريب. الواقع في العيادات مختلف: المرضى كثيراً ما يعانون من أكثر من حالة عين، ووسوم الأمراض في مجموعات البيانات غير مكتملة، وتختلف الكاميرات والسكان من موقع لآخر. يتعامل RetExpert مع هذا عبر البناء على "نماذج أساسية"، وهي أنظمة رؤية واسعة تم تدريبها أولاً على مجموعات ضخمة من صور الشبكية. هذه النماذج الأساسية تفهم بالفعل الأنماط الشائعة في صور الغشاء الشبكي، مثل الأوعية الدموية والعصب البصري والبقعة الصفراء. يحول RetExpert مكونات مثل هذا النموذج إلى "وحدات معرفة قابلة للتكيّف" ويضيف طبقات مُعدِّلة صغيرة يمكن ضبطها بدقة لفحص متعدد الأمراض دون الإخلال بالمعرفة القيمة المكتسبة مسبقاً.

الاستفادة الأفضل من البيانات غير المتوازنة والمضطربة

تميل البيانات الطبية الحقيقية لأن تكون غير متوازنة: الأمراض الشائعة مثل اعتلال الشبكية السكري تظهر بكثرة مقارنة بالاضطرابات النادرة. إذا دُرب النظام ببساطة، فسيتركز بشكل مفرط على الحالات المتكررة ويتجاهل الحالات النادرة لكنها مهمة. يستخدم RetExpert نهج تدريب يمنح اهتماماً إضافياً للأمراض الممثلة تمثيلاً ضعيفاً حتى لا تنهار الأداء على الاكتشافات النادرة. كما يعترف النظام بأن بعض التنبؤات أكثر غموضاً بطبيعتها من غيرها. بدلاً من إصدار درجة ثقة إجمالية واحدة، يقدّر RetExpert درجات غموض منفصلة لكل مرض يُطلب منه اكتشافه. هذا العرض مرضاً بمرض أقرب إلى طريقة تفكير الأطباء ويسمح للنموذج بالتعامل بحذر مع التنبؤات الهشة أثناء خطوات التكيّف لاحقاً.

تقليل الالتباس بين الأمراض المتشابهة

عملياً، قد تبدو بعض أمراض الشبكية متشابهة، وقد يكون ضاراً بشكل خاص إذا ما أعطى نموذج الذكاء الاصطناعي إجابات متضاربة بثقة—مثل اعتبار نفس الصورة "طبيعية" و"تنكس بقعي" في الوقت نفسه. لمعالجة هذا، بنى الباحثون مصفوفة تزامن وقوع أمراض الشبكية، وهي ملخص منظم لمدى احتمال ظهور أزواج الأمراض معاً بناءً على المعرفة الطبية والإحصاءات. أثناء التدريب، يتعلم RetExpert مواءمة احتمالات مخرجاته مع هذه العلاقات المعقولة طبياً. كما قدم الفريق "درجة الارتباك" التي تقيس مدى تكرار خلط النموذج بين أزواج أمراض محددة. مع وجود معلومات التزامن، انخفض الالتباس بين الأزواج الصعبة، مثل التنكس البقعي والغمش (قصر النظر الشديد)، بأكثر من الثلث، مما جعل التنبؤات أكثر موثوقية للاستخدام السريري.

يتكيّف أثناء الاختبار

أحد أكبر العقبات أمام نشر الذكاء الاصطناعي عبر المستشفيات هو "انزياح النطاق": قد تختلف صور عيادة جديدة بسبب تجمعات المرضى المختلفة، أو أنواع الكاميرات، أو إعدادات التصوير. الأنظمة التقليدية يجب أن تُعاد تدريبها أو تُعدل بشكل واسع كلما انتقلت إلى بيئة جديدة، وهو ما يكلف ويستغرق وقتاً. بدلاً من ذلك، يقوم RetExpert بتكيف خفيف أثناء الاستخدام. عندما يواجه دفعة من الصور الجديدة، يقوم بضبط طبقات المُعدِّل الصغيرة ورأس القرار النهائي لفترة قصيرة، موجهة أولاً باستقرار خصائصه ثم بتسميات زائفة مُوزونة بتقديرات الغموض لكل مرض. وما يهم أن هذه التحديثات مؤقتة وتُعاد إلى الوضع الأصلي بعد كل دفعة، لذلك لا ينحرف النموذج الأساسي مع مرور الوقت، محافظاً على السلامة وقابلية التكرار بينما يكتسب مرونة قصيرة الأجل.

ما مدى فاعليته في العالم الحقيقي؟

اختبر الباحثون RetExpert على مجموعتي بيانات كبيرتين متعددتي الأمراض للاستخدام التطويري ثم على 15 مجموعة بيانات عامة وخاصة إضافية جُمعت من دول وكاميرات وإعدادات سريرية مختلفة. عبر معظم المهام—بما في ذلك الكشف عن اعتلال الشبكية السكري، والتنكس البقعي المرتبط بالعمر، والزَرَق، والتغيرات المقصية، والطفيلية العينية—واكب RetExpert أو تفوق على أداء نماذج الشبكية الأساسية الرائدة الحالية. كما أظهر موثوقية أفضل، بدرجات ارتباك أقل ونتائج أقوى على مجموعات بيانات "خارج التوزيع" الصعبة التي تحاكي مستشفيات وأجهزة جديدة. رغم أن الأنظمة المتخصصة جداً لمرض واحد قد تظل أفضل قليلاً لذلك المرض المحدد، يقلّص RetExpert الفجوة بينما يقدم تغطية واسعة متعددة الأمراض في أداة موحدة واحدة.

خطوة نحو فحوصات عينية آلية موثوقة

بعبارات يومية، يشبه RetExpert طبيب عيون عام متمرس مبني على قاعدة معرفة مشتركة كبيرة، مزوداً بأدوات للتعامل مع الأمراض النادرة، والاعتراف عند وجود شك، والتكيّف بسرعة مع عيادات جديدة دون حاجة لإعادة تدريب مستمرة. عبر دمج هذه العناصر—وحدات تكيفية، وتعلم واعٍ بالغموض، ومعرفة طبية سابقة، وتكيّف أثناء الاختبار—يقدّم الإطار فحصاً متعدد الأمراض أدق وأكثر اعتمادية من صور بسيطة ملونة لجزء خلف العين. إذا طُوِّر واعتمد بشكل أوسع، يمكن لمثل هذه الأنظمة أن تدعم الكشف المبكر عن الحالات المهددة للبصر على نطاق واسع، خصوصاً في الأماكن التي يندر فيها الوصول إلى أخصائيي العيون.

الاستشهاد: Jiang, H., Liu, Z., Gao, M. et al. A test-time clinically adaptive framework for detecting multiple fundus diseases harnessing ophthalmic foundation models. npj Digit. Med. 9, 300 (2026). https://doi.org/10.1038/s41746-026-02480-1

الكلمات المفتاحية: تصوير الشبكية, الذكاء الاصطناعي الطبي, فرز متعدد الأمراض, نماذج أساسية, التكيّف مع النطاق