في ظل التحديات المتزايدة المرتبطة بتشخيص داء الكلب، يُعتبر تطوير أنظمة آلية تعتمد على الذكاء الاصطناعي (AI) خطوة هامة للارتقاء بمستوى الخدمات الصحية في العديد من الدول الإفريقية والآسيوية. تعتمد الأساليب التقليدية لتشخيص داء الكلب على المجهر الفلوري، مما يستلزم توفر الخبراء المتخصصين، وهو أمر غالبًا ما يكون شحيحًا في المناطق التي تعاني من ضعف في جمع البيانات.

لذلك، قامت دراسة حديثة بعرض نظام تشخيص آلي يستخدم تقنيات التعلم العميق (Deep Learning) لعلاج هذه القضية. تم تطوير خط أنابيب قوي يدمج تحليل الصور الفلورية عبر تقنيات التعلم الانتقالي (Transfer Learning) باستخدام أربعة نماذج عميقة: EfficientNetB0، EfficientNetB2، VGG16، وVision Transformer (ViTB16).

ركزت الدراسة أيضًا على تقييم ثلاث استراتيجيات متنوعة لتعزيز البيانات (Data Augmentation) لتحسين قدرة النموذج على تعميم النتائج. حيث أظهرت النتائج أن تقنية TrivialAugmentWide كانت الأكثر فعالية، حيث ساهمت في المحافظة على نمط الفلورية الحرج مع تعزيز متانة النموذج. سجل نموذج EfficientNetB0، الذي استخدم تحسينات هندسية ولونية وتم اختياره من خلال التحقق المتقاطع الثلاثي (Stratified 3-fold Cross-Validation)، أداءً مثاليًا في التصنيف على الصور المقطوعة.

وعلى الرغم من القيود الناجمة عن عدم تناسق الفئات وحجم مجموعة البيانات المحدود، أكدت هذه الدراسة على إمكانية استخدام التعلم العميق في أتمتة تشخيص داء الكلب. كما أُقيمت أداة على الإنترنت لتسهيل الوصول العملي، مما يشكل إطارًا لتطبيقات تصوير طبية مستقبلية. يشير هذا البحث إلى إمكانيات النماذج المحسّنة في تحويل تشخيص داء الكلب وتحسين النتائج الصحية العامة.