طريقة قابلة للتعميم لاكتشاف أمراض العين تعتمد على التعلم بدون لقطات

لماذا تحذيرات العين المبكرة مهمة

تبدأ العديد من مشاكل العين الخطيرة بتغيرات دقيقة للغاية بحيث قد يكافح حتى الأخصائيون المدربون لملاحظتها. اعتلال الشبكية السكري الخفيف، وهو مضاعفة مبكرة للسكري، يعد أحد هذه الإشارات الصامتة: يمكن أن يمنع اكتشافه المبكر فقدان البصر، لكنه يتطلب فحصًا دقيقًا لصور الشبكية وكميات هائلة من الصور الموسومة بخبرة لتدريب أنظمة الذكاء الاصطناعي الحالية. تقدم هذه الدراسة نوعًا جديدًا من الذكاء الاصطناعي يستطيع أن يتعلم اكتشاف المرض المبكر حتى عندما لم يقم الأطباء بوسم أي أمثلة لتلك الحالة بالذات، مما قد يفتح الباب أمام فحوصات عينية أسرع وأكثر تكلفة معقولة على مستوى العالم.

طريقة جديدة لتعليم الآلات بدون إجابات

يبني الباحثون على مفهوم يسمى التعلم بدون لقطات (zero-shot learning)، حيث يتعلم نظام الذكاء الاصطناعي التعرف على شيء جديد دون أن يرى أمثلة موسومة له مسبقًا. بدلاً من حفظ تسميات الأمراض، يقلد النظام طريقة تفكير الأطباء: يبحث عن أمراض متصلة تشترك في أنماط بصرية وينقل ما تعلمه منها. في هذه الدراسة ركز الفريق على اعتلال الشبكية السكري الخفيف (DR1) لكن دربوا طريقتهم دون صورة واحدة موسومة كـ DR1. بدلاً من ذلك جمعوا موردًا ضخمًا من صور الشبكية، أطلقوا عليه مجموعة بيانات LCFP-14M، وضمّ أكثر من مليون صورة وإحدى عشرة فئة من أمراض العين مأخوذة من قواعد بيانات عامة عديدة. هذا المزيج الغني من الصور يوفر "الخبرة" البصرية التي يمكن للذكاء الاصطناعي أن يستنتج منها أنماط المرض.

إيجاد مرض شبيه للتعلّم منه

لتحديد مصدر المعرفة الأنسب، فإن الخطوة الأولى للنظام هي قياس مدى تشابه أمراض العين بعضها مع بعض بصريًا. استخدم الفريق شبكة عصبية سيامية (Siamese)، زوج من نماذج الذكاء الاصطناعي المتطابقة التي تفحص صورتين للشبكية في كل مرة وتتعلم أن تقول ما إذا كانتا تنتميان على الأرجح لنفس المرض. بمقارنة آلاف أزواج الصور، بنى النموذج خريطة توضح مدى تشابه إحدى عشرة مرضًا مع اعتلال الشبكية السكري الخفيف. اكتشف أن قِصر النظر التنكسي، حالة تنطوي على تمدد وترقق الجزء الخلفي من العين، أنتج صور شبكية ذات ارتباط أقوى مع تلك التغيرات المبكرة للسكري. بعبارة إنسانية، أصبح قِصر النظر التنكسي "القريب الأقرب" الذي يمكن أن يعلّم النظام ما يجب مراعاته.

تعليم النظام شكل الآفات الصغيرة

بعد العثور على مرض "معلم" مناسب، كانت المهمة التالية إظهار المناطق المحددة في الشبكية التي تهم لأجل تلف السكري المبكر. باستخدام نموذج ثانٍ يسمى U‑Net، درّب الباحثون نظام تجزئة على مجموعات بيانات معتمدة حيث قام خبراء بتمييز ثلاثة علامات رئيسية: انتفاخات دقيقة في الأوعية المعروفة بالميكروأنيوزم، نزوف صغيرة، وبقع قطنية شاحبة. رغم أن بعضها ليس فريدًا لمرحلة الخفة وحدها، إلا أنها معًا تتتبع أثرًا مبكرًا من التلف في الدورة الدموية الشبكية. تعلم U‑Net إبراز هذه الآفات فقط على الصور، محولًا الصور الخام إلى خرائط مركزة حيث تبرز علامات التحذير المهمة بينما تتلاشى التفاصيل الأقل صلة في الخلفية.

تجميع المرض غير المرئي إلى سليم وغير سليم

مسلحًا بهذا العرض الذي يركّز على الآفات، عالج النظام بعد ذلك صورًا لمرضى قِصر النظر التنكسي، لكن مع إبراز آفات شبيهة بالسكري وكبح العوامل المميزة للمرض الأصلي. حول نموذج ثالث، يعتمد على شبكة ResNet مدمجة مع خوارزمية تجميع تراكمي (agglomerative clustering)، هذه الصور المجزأة إلى أوصاف رقمية مدمجة وجمّعها في مجموعتين طبيعيتين. والأهم أن الخوارزمية قامت بذلك دون أي تسميات تخبرها أي العيون سليمة وأيها مريضة؛ نظمت الصور ببساطة على أساس أنماط بصرية مشتركة. عندما قارن الفريق لاحقًا هذه المجموعات مع التسميات السريرية الحقيقية في مجموعة اختبار مستقلة، وجدوا أن إحدى المجموعات تطابقت مع DR1 والأخرى مع العيون غير المريضة، مما يبيّن أن الذكاء الاصطناعي "اكتشف" اعتلال الشبكية السكري الخفيف بنفسه.

كيف تقارن هذه المقاربة الجديدة

لحكم ما إذا كان هذا النظام بدون لقطات مفيدًا عمليًا، قارن الباحثون أداءه بنماذج تعلم عميق تقليدية "بعدد قليل من اللقطات" (few-shot) سُمح لها برؤية عدد محدود من الأمثلة الموسومة. اختبروا بنى شهيرة مثل ResNet وVGG وMobileNet وAlexNet، جميعها دربت على كميات محدودة من البيانات الموسومة ثم قُيمت على مجموعة بيانات خارجية تسمى EyePACS. وصل نموذج التعلم بدون لقطات، على الرغم من أنه لم يُعرض عليه صور DR1 موسومة أثناء التدريب، إلى دقة تقارب 83% وقياس قوي تحت المنحنى (AUC)، متفوقًا على معظم هؤلاء المنافسين المراقبين—وخاصة في الدقة (precision)، بمعنى أن العيون التي أشار إليها كمريضة كانت عادة معرضة للخطر بالفعل. أكدت تجارب الإزالة (ablation)؛ حيث حُذفت مكونات منفردة، أن كلًا من خطوة تشابه الأمراض وخطوة تجزئة الآفات كانت أساسية لهذا الأداء القوي.

ماذا يعني هذا لرعاية العيون في المستقبل

بعبارات بسيطة، توضح هذه الدراسة أن الذكاء الاصطناعي يمكنه تعلم اكتشاف التلف العيني السكري المبكر عبر "الاستدلال بالتشبيه" من أمراض مرتبطة وعلامات بصرية معرفّة من قبل الخبراء، بدلًا من الاعتماد على آلاف الأمثلة الموسومة يدويًا للحالة الدقيقة المعنية. قد يكون لذلك أثر ثوري على برامج الفحص في مناطق العالم حيث وسم الخبراء مكلف أو نادر، أو بالنسبة لأمراض عينية معترف بها حديثًا تفتقر إلى مجموعات بيانات منظمة كبيرة. بينما لا تزال الطريقة تواجه تحديات—مثل توسيعها إلى تقنيات تصوير أخرى بجانب صور القاع وجعل قراراتها أكثر شفافية للأطباء والمرضى—فهي تشير إلى مستقبل يمكن أن تساعد فيه الآلات الأطباء على اكتشاف أمراض العيون الدقيقة بشكل مبكر، باستخدام بيانات موسومة أقل بكثير مما تتطلبه أنظمة اليوم.

الاستشهاد: Pan, C., Wang, Y., Jiang, Y. et al. A generalizable eye disease detection method based on Zero-Shot Learning. Commun Med 6, 249 (2026). https://doi.org/10.1038/s43856-026-01439-3

الكلمات المفتاحية: اعتلال الشبكية السكري, تصوير الشبكية, التعلم بدون لقطات, الذكاء الاصطناعي الطبي, فرز أمراض العيون