الصحة الرقمية · global
تعليم الذكاء الاصطناعي قراءة الاختبارات السريعة باستخدام صور اصطناعية: SynSight يُظهر قدرته على تفسير اختبارات HIV وكوفيد-19
قد لا يتطلب تدريب نموذج لتفسير الاختبارات السريعة جمع مكتبة ضخمة من الصور الحقيقية أولاً. حقق SynSight، المدرَّب باستخدام صور محاكاة، أداءً جيداً في التحقق باستخدام اختبارات HIV وكوفيد-19 السريعة، لكن دقة قراءة الصور لا تزال بعيدة عن ضمان موثوقية التشخيص السريري.
أتاحت الاختبارات السريعة إجراء الفحوص خارج المختبرات، لكن نتائجها لا تزال تحتاج إلى من يفسرها. وللاستعانة بالذكاء الاصطناعي في التفسير، غالباً ما يتعين على المطورين أولاً جمع أعداد كبيرة من الصور، ثم وسمها واحدة تلو الأخرى؛ وتبرز هذه العقبة خصوصاً مع الاختبارات المطروحة حديثاً أو التي تفتقر إلى بيانات الصور. تحاول دراسة جديدة الانطلاق من نقطة مختلفة: توليد صور التدريب بالحاسوب أولاً، ثم اختبار قدرة النموذج على قراءة اختبارات سريعة فعلية.
قدمت دراسة نُشرت في 10 نوفمبر في مجلة «npj Digital Medicine» نظام SynSight، وهو مسار عمل لتجزئة صور الاختبارات السريعة وتصنيفها، مدرَّب باستخدام بيانات اصطناعية. وأفاد ملخص المجلة بأن حساسية النموذج في التحقق باستخدام اختبارات HIV السريعة بلغت 98%، ونوعيته 99%، فيما وصلت دقته في اختبارات كوفيد-19 السريعة إلى 99% كحد أقصى. والمتاح علناً حالياً هو نسخة منشورة مبكراً قُبلت بعد مراجعة الأقران، ولا تزال تنتظر مزيداً من التحرير.
تتضح الملامح التقنية لهذه الطريقة بصورة أكبر في ملخص أولي ضمن فعالية بحثية لعام 2025 في كلية لندن الجامعية (UCL). درّب Elliott Rogers وزملاؤه النموذج باستخدام صور اصطناعية مولَّدة استناداً إلى آليات، وربطوا الكشف عن الأجسام في الوقت الفعلي بتصنيف النتائج: يُحدَّد أولاً موضع الاختبار الذي يحتاج إلى التحليل داخل الصورة، ثم تُفسَّر النتيجة. وتسعى الدراسة إلى تقليل اعتماد تدريب النماذج على مكتبات الصور الحقيقية.
أورد الملخص الأولي لـUCL حساسية قدرها 98.2% ونوعية قدرها 99.2% لاختبارات HIV؛ أما جزء كوفيد-19 فشمل اختبارين سريعين للمستضدات واختباراً سريعاً للأجسام المضادة، بدقة بلغت 99% و97% و95% على الترتيب. وهذه بيانات من مرحلة أسبق، ولا يمكن اعتمادها مباشرة بوصفها التفاصيل الكاملة لنسخة المجلة الحالية. كما تذكّر القارئ بأن عبارة «تصل إلى 99%» لا تعني أن جميع الاختبارات السريعة حققت الأداء نفسه.
تكمن جاذبية البيانات الاصطناعية في أن المطورين قد لا يضطرون، لكل اختبار جديد، إلى إنشاء مكتبة جديدة وضخمة ومكلفة من صور التدريب تتضمن معلومات صحية حساسة. لكن الاستغناء عن الصور الحقيقية بوصفها مادة للتدريب لا يعني إمكان الاستغناء عن التحقق في ظروف واقعية؛ إذ تظل قدرة الصور المحاكاة على تغطية التباينات في التصوير الفعلي وأداء الاختبارات عاملاً حاسماً في تحديد مدى نجاح هذا المسار.
وعند تفسير الأرقام، يجب أيضاً التمييز بين «قراءة صور الاختبارات السريعة» و«تحديد ما إذا كان الشخص مصاباً بالعدوى». فلا يمكن اعتبار أداء نموذج الصور في التفسير معادلاً مباشرة لقدرة عملية الفحص بأكملها على تشخيص المصابين. ولا يوضح ملخص المجلة المتاح عدد عينات التحقق، أو فواصل الثقة، أو الأداء الكامل في مختلف ظروف الاستخدام؛ لذا لا يكفي بعد للاستنتاج بأنه يتمتع بالموثوقية نفسها عبر مختلف العلامات التجارية أو الهواتف أو البيئات المنزلية.
يقدم SynSight اتجاهاً قابلاً للتطبيق لخفض عوائق التطوير. ولإدخاله في خدمات الفحص اليومية، لا تزال الخطوة التالية تتطلب توضيح الاختبارات وظروف التصوير الملائمة، وكيفية التعامل مع الحالات التي يتعذر فيها تفسير النتائج بصورة موثوقة، والمتطلبات التنظيمية ذات الصلة بالأجهزة الطبية. وتدعم بيانات الدراسة مواصلة التحقق من هذه الطريقة، لكنها لا تتيح بعد الجزم بأنه بات قادراً على تولي مهام التشخيص بصورة مستقلة.