→ العودة إلى الصفحة الرئيسية

تكامل نوعين من صور قاع العين: RETBind يحسّن الأداء في تسعة اختبارات معيارية للذكاء الاصطناعي في طب العيون

من خلال التعلّم من صور التصوير المقطعي وصور قاع العين فائقة الاتساع المقترنة للمريض نفسه، يحاول RETBind تمكين الذكاء الاصطناعي من فهم المؤشرات المتكاملة في شبكية العين. تدعم نتائج تسع مجموعات بيانات هذا المسار البحثي، لكن إثبات فائدته في العيادات لا يزال يتطلب تحققًا سريريًا.

By SURL BioNews

تُظهر الفحوص المختلفة مؤشرات مختلفة للعينين نفسيهما. يُظهر التصوير المقطعي بالتماسك البصري (OCT) البنية الطبقية لشبكية العين، بينما يوفّر تصوير قاع العين فائق الاتساع مجال رؤية أوسع لقاع العين. ويُعد تمكين الذكاء الاصطناعي من الربط بين هذه المعلومات أحد التحديات في أبحاث تصوير العين؛ وقد اختار النموذج الجديد RETBind تعلّم العلاقات بين نوعَي الصور لدى المريض نفسه.

نُشرت هذه الدراسة في 3 نوفمبر في مجلة «npj Digital Medicine»، بمشاركة فرق من جامعة سونغكيونكوان في كوريا الجنوبية ومؤسسات للرعاية الطبية في طب العيون، وغيرها. وكان مختبر علوم البيانات والذكاء الاصطناعي في جامعة سونغكيونكوان قد أعلن في أكتوبر قبول ورقة بحثية تحمل الاسم نفسه، وأدرج أسماء باحثين مشاركين، منهم Jian وHyunseon وJeeEun وSihyeon؛ وقد أكّد ذلك الإعلان تقدّم البحث، ولم يقدّم نتائج إضافية للتحقق السريري.

RETBind نموذج تأسيسي يمكن استخدامه في مهام تصوير لاحقة. استخدمت الدراسة صور OCT وصور قاع العين فائقة الاتساع المقترنة على مستوى المريض في التدريب المسبق، بحيث يشترك نوعا الصور في مُرمِّز واحد يحوّل الصور إلى سمات يستطيع النموذج التعرّف عليها. ويتمثل جوهر هذا التصميم في إدراج المعلومات المتكاملة التي تكشفها الفحوص المختلفة ضمن تعلّم مشترك، بدلًا من معالجة كل نوع من الصور على حدة فحسب.

أفاد فريق البحث بأن RETBind حقّق تحسّنًا في الأداء في جميع مجموعات البيانات المعيارية التسع، التي تشمل تصنيف أمراض العين وتجزئة الصور. تركز مهام التصنيف على التعرّف على فئات الأمراض، بينما تتطلب مهام التجزئة من النموذج تحديد مناطق بعينها داخل الصور. وأشار المؤلفون خصوصًا إلى تحسّن المساحة تحت منحنى الإحكام–الاستدعاء (AUPR) في الحالات التي لا تتوازن فيها أعداد العينات بين الفئات؛ ويساعد ذلك في تقييم أداء التعرّف على الفئات الأقل تمثيلًا، لكنه لا يمكن تحويله مباشرة إلى تقدير لمدى انخفاض حالات التشخيص الفائتة في العيادات.

تقدّم الاختبارات المعيارية التسعة أدلة على إمكانية استخدام النموذج في مهام مختلفة، لكنها لم تثبت بعد فائدته السريرية بصورة استباقية. وقبل الانتقال إلى التشخيص والعلاج الفعليين، لا يزال من الضروري التحقق من مدى موثوقية النموذج عبر مستشفيات وأجهزة وفئات مرضى مختلفة، وما إذا كان إدراجه ضمن سير عمل تفسير الأطباء للصور يحسّن التشخيص أو الإحالة أو التدبير اللاحق. كما أن النتائج الحالية لا تكفي للاستنتاج بأن النموذج بات صالحًا للاستخدام في التشخيص المستقل.

وتناولت الورقة أيضًا، من خلال تحليل استكشافي، إمكانية التنبؤ بالأمراض الجهازية انطلاقًا من صور شبكية العين، وينبغي اعتبار هذا الجزء مؤشرًا لأبحاث لاحقة. وتتمثل مساهمة RETBind الأكثر وضوحًا حاليًا في توفير مسار تقني قابل للاختبار لدمج أنواع متعددة من صور العين للمريض نفسه؛ أما إمكانية تحويل نتائج الاختبارات إلى فائدة للمرضى، فلا يزال يتعين الإجابة عنها ضمن سير الرعاية الفعلي.

References

  1. npj Digital Medicine
  2. Data Science and Artificial Intelligence Lab, Sungkyunkwan University