- اعتلال الشبكية الخداجي هو حالة تصيب العين التي تصيب الأطفال المبتسرين ويمكن أن تسبب ضعف البصر أو العمى ما لم يتم اكتشافها وعلاجها خلال المراحل المبكرة من المرض.
- يمكن أن يساعد الفحص المنتظم للأطفال الخدج في منع هذه النتائج السلبية ، ولكن هناك نقص في أطباء عيون الأطفال ، خاصة في البلدان المنخفضة الدخل والبلدان المتوسطة الدخل.
- أظهرت دراسة حديثة أن نموذج الذكاء الاصطناعي (AI) يمكنه تحليل صور شبكية العين وتشخيص اعتلال الشبكية الخداج بدقة عند الأطفال الخدج..
- لا يتطلب نموذج الذكاء الاصطناعي المستخدم في الدراسة خبرة في الترميز ويمكن نشره في ظروف محدودة الموارد.
شديد
على الرغم من أن برامج الفحص يمكن أن تساعد في منع تطور اعتلال الشبكية الخداجي ، إلا أن هناك مخاوف بشأن ندرة أطباء عيون الأطفال لإجراء هذه الفحوصات ، خاصة في الأماكن محدودة الموارد.
الدراسات لها
أ
قال الباحثون إن نموذج الذكاء الاصطناعي هذا يمكن أن يشخص اعتلال الشبكية الخداجي الحاد باستخدام الصور التي تم الحصول عليها بجهاز غير الجهاز المستخدم لتطوير النموذج ، وإن كان ذلك مع انخفاض في الدقة.
على الرغم من الحاجة إلى مزيد من التحقق من الصحة ، قال الباحثون إن النتائج التي توصلوا إليها تشير إلى أن نماذج الذكاء الاصطناعي الخالية من الأكواد قد تمتلك القدرة على تشخيص اعتلال الشبكية الخداجي بدقة في الأماكن محدودة الموارد.
قال الدكتور كونستانتينوس بالاسكاس ، مؤلف الدراسة: “يعاني ما يصل إلى 30 في المائة من الأطفال حديثي الولادة في أفريقيا جنوب الصحراء من درجة ما من اعتلال الشبكية الخداجي ، وعلى الرغم من توفر العلاجات الآن بسهولة ، إلا أنه يمكن أن يسبب العمى إذا لم يتم اكتشافه وعلاجه بسرعة”. وأستاذ مشارك في كلية لندن الجامعية. “غالبًا ما يرجع هذا إلى نقص المتخصصين في العناية بالعيون ، ولكن نظرًا لأنه يمكن اكتشافه ومعالجته ، فلا ينبغي أن يُصاب أي طفل بالعمى بسبب اعتلال الشبكية الخداجي”.
قال بالاسكاس: “نظرًا لأن الأمر أصبح أكثر شيوعًا ، فإن العديد من المناطق ليس لديها ما يكفي من أطباء العيون المدربين لفحص جميع الأطفال المعرضين للخطر”. أخبار طبية اليوم. “نأمل أن تؤدي تقنيتنا الخاصة بأتمتة تشخيص اعتلال الشبكية الخداجي إلى تحسين الوصول إلى الرعاية في المناطق المحرومة ومنع العمى لدى آلاف الأطفال حديثي الولادة في جميع أنحاء العالم.”
اعتلال الشبكية الخداجي هو مرض يصيب الشبكية ، والتي تشكل الطبقة الداخلية للعين وهي مسؤولة عن تحويل الضوء إلى نبضات عصبية.
لوحظ اعتلال الشبكية الخداجي بشكل عام عند الرضع المولودين قبل 31 أسبوعًا من الحمل أو بوزن أقل من 3 أرطال.
تحدث حالة العين هذه بسبب النمو غير الطبيعي للأوعية الدموية في شبكية العين. في اعتلال الشبكية الخداجي الخفيف ، تزول التغيرات في الأوعية الدموية في الشبكية من تلقاء نفسها. في المقابل ، يمكن أن يؤدي النمو غير الطبيعي للأوعية الدموية في اعتلال الشبكية الخداجي الشديد إلى انفصال الشبكية ، مما يؤدي إلى العمى.
يتميز اعتلال الشبكية الخداجي الشديد بالتغيرات الهيكلية التي تنطوي على تضخم والتواء الأوعية الدموية في الشبكية ، والتي يشار إليها باسم مرض زائد. يعتبر وجود مرض زائد علامة على اعتلال الشبكية الذي يتطلب العلاج.
توصي الدلائل الإرشادية الحالية بإجراء فحص دوري للخدج أو منخفضي وزن الولادة من قبل أطباء عيون الأطفال. في حين كانت هناك تحسينات كبيرة في بقاء الخدج على قيد الحياة بسبب التقدم التكنولوجي وزيادة الفحص ، فإن عدم وجود عدد كاف من أطباء عيون الأطفال يمثل عقبة أمام استدامة هذا الجهد.
ندرة أطباء عيون الأطفال أكثر حدة في البلدان ذات الدخل المنخفض والمتوسط. على مدار العقد الماضي ، أظهرت تطبيقات الذكاء الاصطناعي نتائج واعدة في معالجة هذه المشكلة ، ولكن هناك بعض العقبات التي تحول دون استخدام هذا النهج المبتكر في الفحص.
يستخدم أطباء العيون صور شبكية العين لتصور الأوعية الدموية وتشخيص المرض. على مدى العقد الماضي ، كانت تطبيقات الذكاء الاصطناعي
على وجه التحديد ، تعتمد هذه التطبيقات على التعلم العميق ، وهو شكل من أشكال الذكاء الاصطناعي الذي يحاكي عملية التعلم التي تحدث في الدماغ. قبل نشرها لتشخيص الأمراض ، يتم تدريب نماذج التعلم العميق باستخدام مجموعة بيانات التصوير التي تم شرحها أو تسميتها من قبل الخبراء الطبيين. بالنسبة لاعتلال الشبكية الخداجي ، قد يتضمن ذلك استخدام الصور التي حددها أطباء العيون سابقًا على أنها صحية أو مصابة بمرض زائد.
ومع ذلك ، هناك العديد من العقبات التي تحول دون النشر المباشر لهذه النماذج لتشخيص المرض الزائد في العيادة ، وخاصة في البلدان المنخفضة والمتوسطة الدخل. على سبيل المثال ، تم تحسين معظم نماذج التعلم العميق هذه باستخدام بيانات من أمريكا الشمالية وآسيا.
ومن المتوقع أن تمثل هذه البيانات تمثيلاً ناقصًا للمجموعات العرقية وأولئك الذين ينتمون إلى خلفية اجتماعية واقتصادية أقل. يتأثر تطور اعتلال الشبكية الخداجي بالعرق ، مما يشير إلى أن هذه النماذج قد لا تكون قابلة للتعميم.
علاوة على ذلك ، دربت مجموعات البحث معظم نماذج الذكاء الاصطناعي هذه للكشف عن الأمراض الزائدة باستخدام البيانات التي تم الحصول عليها باستخدام جهاز تصوير محدد يسمى Retcam. تميل أجهزة التصوير مثل Retcam إلى أن تكون مكلفة وغالبًا ما تستخدم الأجهزة الأخرى في البلدان ذات الدخل المنخفض والمتوسط.
ومع ذلك ، فإن دقة هذه النماذج لم يتم تقييمها بعد على مجموعات البيانات التي تم الحصول عليها باستخدام أجهزة التصوير الأخرى. غالبًا ما تُظهر خوارزميات الذكاء الاصطناعي انخفاضًا في الدقة عند نشرها لتحليل بيانات التصوير التي تم الحصول عليها باستخدام جهاز مختلف عن الجهاز المستخدم لتطوير النموذج ، مما يبرز الحاجة إلى التحقق من صحة هذه النماذج على مجموعات البيانات الخارجية قبل النشر في العالم الحقيقي.
إن نشر نماذج الذكاء الاصطناعي هذه مقيد أيضًا بالحاجة إلى أجهزة كمبيوتر باهظة الثمن وخبرة علماء البيانات. قد لا تكون هذه الموارد متاحة للأطباء الفرديين وحتى المجموعات البحثية ، خاصة في الدول ذات الدخل المنخفض والمتوسط.
يمكن التحايل على هذه العوائق المرتبطة بنماذج التعلم العميق المخصصة عن طريق استخدام تطبيقات التعلم العميق الخالية من التعليمات البرمجية والتي لا تتطلب خبرة في الترميز ولها واجهة سهلة الاستخدام. علاوة على ذلك ، غالبًا ما تكون برامج التعلم العميق الخالية من الأكواد قائمة على السحابة ، مما يلغي الحاجة إلى أجهزة باهظة الثمن. لا تزال منصات التعلم العميق الخالية من التعليمات البرمجية هذه تتطلب مجموعة بيانات مشروحة ولكن يمكن استخدامها من قبل الطبيب دون خبرة في الترميز.
في هذه الدراسة ، قارن الباحثون أداء نموذج التعلم العميق المخصص والخالي من الشفرات مع الأطباء ذوي الخبرة في تشخيص الأمراض الإضافية بناءً على تحليل بيانات التصوير من البلدان المختلفة التي تم الحصول عليها باستخدام Retcam.
علاوة على ذلك ، قاموا بفحص قدرة هذه النماذج التي تم تطويرها باستخدام Retcam لتحديد المرض بدقة باستخدام الصور التي تم الحصول عليها باستخدام جهاز مختلف.
طور الباحثون أولاً نموذجًا مخصصًا للتعلم العميق وخالي من الشفرات باستخدام صور Retcam تم الحصول عليها من حديثي الولادة من خلفيات متنوعة عرقيًا واجتماعيًا واقتصاديًا في أحد مستشفيات المملكة المتحدة. على وجه التحديد ، تم تدريب نماذج التعلم العميق المخصصة والخالية من الأكواد في البداية على مجموعة فرعية من الصور من هؤلاء حديثي الولادة ، ثم تم تقييم دقتها على الصور المتبقية من مجموعة البيانات هذه.
أظهرت نماذج التعلم العميق المفصلة والخالية من الشفرات دقة مماثلة لكبار أطباء العيون في اكتشاف الأطفال غير المصابين أو المصابين بمرض زائد أو مرض ما قبل زائد. يصف مرض Pre-plus تشوهات في الأوعية الدموية مشابهة لتلك التي تظهر في المرض الزائد ولكنها ليست شديدة بما يكفي لتشخيصها على أنها مرض زائد. يمكن أن يساعد الكشف عن مرض ما قبل النضج في بدء العلاج المبكر لاعتلال الشبكية الخداجي.
أظهر النموذجان أيضًا دقة تشخيص عالية مماثلة أثناء تحليل مجموعات بيانات صور Retcam من الولايات المتحدة واثنين من البلدان منخفضة الدخل ومتوسطة الدخل – البرازيل ومصر. ومع ذلك ، أظهر نموذج التعلم العميق الخالي من الشفرات دقة أقل في الكشف عن الحالات المصابة بمرض ما قبل زائد مقارنة بالنموذج المصمم حسب الطلب.
قام الباحثون أيضًا بتقييم أداء النماذج باستخدام مجموعة بيانات منفصلة من مصر تم الحصول عليها باستخدام جهاز تصوير مختلف يسمى 3nethra. أظهر كلا النموذجين انخفاضًا في دقة التشخيص أثناء تحليل مجموعة البيانات هذه التي تم الحصول عليها باستخدام 3nethra من مجموعات بيانات التدريب أو التحقق من الصحة.
تسلط هذه النتائج الضوء على إمكانات نموذج التعلم العميق الخالي من الشفرات لتشخيص المرض الزائد في البلدان منخفضة ومتوسطة الدخل حيث قد تعيق ندرة أطباء عيون الأطفال والموارد المحدودة الفحص المنتظم للخدج.
“هذه دراسة ذكية تُظهر تطبيقًا مفيدًا للغاية للذكاء الاصطناعي. وقال الدكتور ديباك بهات ، مدير مستشفى ماونت سيناي هارت في نيويورك ، إن المؤلفين أظهروا أن برنامج الذكاء الاصطناعي الخاص بهم أدى بالإضافة إلى كبار أطباء العيون في تحديد السبب الرئيسي للعمى عند الأطفال من خلال فحص صور الشبكية.
قال بهات: “لقد تحول التعلم الآلي والذكاء الاصطناعي من الخيال العلمي إلى فائدة محتملة في الممارسة السريرية” أخبار طبية اليوم. هذه الدراسة هي مثال جيد على ذلك. هناك حاجة إلى مزيد من الدراسات مثل هذه في مجموعات سكانية متنوعة “.
