ثورة في تشخيص اعتلال الشبكية السكري: من البيكسلات إلى التفسيرات!

# ثورة في تشخيص اعتلال الشبكية السكري: من البيكسلات إلى التفسيرات!

تعتبر دقة تشخيص **اعتلال الشبكية السكري** (Diabetic Retinopathy) أمرًا بالغ الأهمية في تحسين نتائج المرضى، لكن تبقى هناك تحديات عديدة تتعلق بصعوبة تفسير نماذج **التعلم العميق** (Deep Learning) في الأوساط السريرية.

في دراسة جديدة مثيرة، تم تقديم منهجية مبتكرة تجمع بين نماذج التصنيف القوية و**التفسيرات متعددة الأنماط** (Multimodal Explanations) لتحويل البيانات البصرية (البيكسلات) إلى نتائج يمكن فهمها بسهولة. تم استخدام قاعدة بيانات **APTOS 2019** لتقييم ستة نماذج تمثيلية تعتمد على **CNN** و**Transformer** ضمن بروتوكول محكم يتمثل في التقسيم المتقاطع.

كما تم مقارنة استراتيجيات التجميع (Ensembling Strategies) مثل **التصويت القاسي** (Hard Voting) و**التصويت السلس** (Weighted Soft Voting) و**التجميع الهرمي** (Stacking)، مع دراسة دمج فئة هجينة لاستغلال المميزات الخاصة بكل درجة. لتحقيق التفسير الأمثل، قامت الدراسة بتوليد **خرائط الإسناد المرئية** (Grad-CAM++) وتفسيرات نصية قصيرة باستخدام نماذج **الرؤية-اللغة** (Vision-Language Models) بناءً على الصور الدموية ونتائج المصنفين، الأمر الذي أضفى طابعًا سريريًا موثوقًا.

أظهرت النماذج الأحدث مثل **ResNet-50** و**ConvNeXt-Tiny** أداءً قويًا، بمعدل تقاطع **QWK** يصل حتى 0.919 و0.914 على التوالي. كما عزز التجميع من توافق الدرجات بشكل ملحوظ، حيث كانت أعلى النتائج في التصويت السلس. ومع ذلك، لم يكن هناك تحسن إحصائي موثوق عند مقارنة الدمج الهجين بالطرق التقليدية.

بالنظر إلى جودة التفسير، قدّمت خرائط Grad-CAM++ إسنادًا معقولاً لكن بشدّة منخفضة، وكانت التفسيرات من نماذج VLM عمومًا متسقة مع درجات التصنيف. إذًا، هل نحن على أعتاب ثورة حقيقية في مجال تشخيص اعتلال الشبكية السكري من خلال الذكاء الاصطناعي؟

**هل تعتقد أن هذه التقنية ستحدث نقلة نوعية في الطب؟ شاركنا برأيك!**