تجربة للذكاء الاصطناعي تُظهر أن نظام تصوير الشبكية يحسن تشخيص الأمراض الوراثية

مساعد ذكاء اصطناعي لتشخيص أمراض الشبكية يحقق نتائج قوية في تجربة سريرية

تقرير تجربة عشوائية متعددة المراكز نُشر في Nature Medicine يفيد بأن نظام دعم قرار سريري قائم على الذكاء الاصطناعي حسّن بشكل ملحوظ الأداء التشخيصي للحالات المشتبه بإصابتها بأمراض الشبكية الوراثية، وهي مجموعة من الحالات التي يصعب تصنيفها بسرعة ودقة في الرعاية الروتينية.

النظام، المسمى Retina4IRD، صُمم لمساعدة المتخصصين على التنبؤ بفئات النمط الجيني المحتملة من صور الشبكية. وفي التجربة، حقق المتخصصون الذين استخدموا الأداة دقة أعلى بشكل واضح في التنبؤ الجيني ضمن أفضل خمسة احتمالات مقارنة بالمتخصصين الذين عملوا من دونها. وتعالج هذه النتيجة عقبة طويلة الأمد في طب العيون، حيث تتطلب أمراض الشبكية الوراثية غالبًا توصيفًا ظاهريًا مكثفًا، وتفسيرًا متعدد التخصصات، واختبارات جينية قبل الوصول إلى تشخيص نهائي.

أمراض الشبكية الوراثية، أو IRDs، ليست اضطرابًا واحدًا بل مجموعة من الحالات الجينية التي تؤثر في الشبكية. وقد تتشابه مظاهرها السريرية، ما يعني أن الأطباء غالبًا ما يحتاجون إلى دمج عدة أنواع من الأدلة قبل تضييق نطاق السبب المحتمل. ويمكن أن تكون هذه العملية بطيئة ومكلفة للموارد وغير متكافئة بين بيئات الرعاية، خصوصًا حيث تكون الخبرة التخصصية العميقة محدودة.

كيف جرى بناء Retina4IRD

وفقًا للدراسة، يتنبأ Retina4IRD بـ 17 فئة من النمط الجيني اعتمادًا على صور الشبكية. وطوّر فريق البحث النموذج باستخدام بنية Vision Transformer جرى تدريبها مسبقًا بواسطة RETFound، ثم درّبها وحققها باستخدام بيانات تصوير متعددة الوسائط مأخوذة من مرضى مؤكَّدي التشخيص الجيني في الصين وكوريا الجنوبية وبولندا.

وشملت مجموعة البيانات صور قاع العين الملونة وعمليات التصوير المقطعي التوافقي البصري لـ 1,843 مريضًا مؤكَّدًا جينيًا، بما يمثل 3,376 عينًا. وتعد مجموعة التدريب والتحقق الدولية هذه مهمة لأن تشخيص IRD قد يتأثر بكل من تنوع المرض والاختلافات في ممارسات التصوير بين المراكز. لذلك فإن الأداء في التحقق الخارجي يمثل اختبارًا أساسيًا لما إذا كان النظام قادرًا على العمل خارج المؤسسة التي طُوّر فيها.

في التحقق الداخلي، بلغ النموذج دقة تنبؤ ضمن أفضل خمسة احتمالات قدرها 0.904، مع فاصل ثقة 95% من 0.896 إلى 0.912. وفي التحقق الخارجي، بلغت الدقة ضمن أفضل خمسة احتمالات 0.856، مع فاصل ثقة 95% من 0.850 إلى 0.863. وتشير هذه الأرقام إلى أن النموذج حافظ على أداء قوي حتى عندما جرى تقييمه خارج بيئة تطويره، وإن كان مع انخفاض متوقع مقارنة بالاختبار الداخلي.

وتقدم الدراسة الأداة بوصفها نظام دعم قرار يساعد الأطباء على إعطاء الأولوية مبكرًا للتفسيرات الجينية الأكثر احتمالًا ضمن المسار التشخيصي، لا بوصفها بديلًا عن الحكم السريري أو التسلسل الجيني.

تجربة عشوائية تُظهر تحسن أداء المتخصصين

أقوى دليل في الورقة يأتي من تجربة عشوائية مضبوطة شملت 300 مشارك مشتبه بإصابتهم بـ IRD. وُزّع المشاركون بنسبة 1:1 إما إلى ذراع مدعوم بـ Retina4IRD أو إلى ذراع يعتمد على المتخصصين فقط. ومن بين المسجلين، كان لدى 295 مشاركًا تقارير تسلسل الجيل التالي المتاحة وتم إدراجهم في التحليل النهائي.

كان متوسط العمر لمن شملهم التحليل 33 عامًا، وكان 114 مشاركًا، أي 38.6%، من الإناث. وقد تحقق الهدف الأساسي للدراسة. حقق المتخصصون الذين استخدموا أداة الدعم بالذكاء الاصطناعي دقة جينية ضمن أفضل خمسة احتمالات بلغت 88.5%، مقارنة بـ 67.3% في مجموعة المتخصصين فقط، وهو فرق يذكره البحث على أنه ذو دلالة إحصائية مع قيمة P أقل من 0.001.

كما يذكر البحث أن الأهداف الثانوية التي غطت الدقة من top-1 إلى top-4 كانت جميعها لصالح الذراع المدعوم بـ Retina4IRD. وبشكل عام، تشير هذه النتائج إلى أن النظام لم يكتف بإضافة خيارات أخرى إلى قائمة طويلة، بل حسّن جودة الترتيب عبر طبقة التنبؤ، ما جعل الفئات الجينية الأكثر احتمالًا أقرب إلى القمة.

وهذا التمييز مهم عمليًا. فإذا تمكن المتخصص من تحديد مجموعة أصغر وأكثر جودة من فئات النمط الجيني المحتملة من خلال الصور، فقد تصبح الاختبارات والتفسيرات اللاحقة أكثر تركيزًا. وفي البيئات التي تكون فيها قدرة الاختبارات الجينية محدودة، قد تساعد إشارة فرز أولية أفضل في تخصيص اهتمام المتخصصين بكفاءة أكبر.

ما الذي قد تغيّره هذه النتائج

تكمن أهمية الورقة في نوعية الأدلة التي تقدمها. فالكثير من دراسات الذكاء الاصطناعي الطبي تتوقف عند التحقق الاستعادي، حيث تُختبر الخوارزميات على بيانات تاريخية من دون تقييمها في سير عمل سريري مباشر أو شبه مباشر. هنا، ذهب الباحثون أبعد من ذلك بإجراء مقارنة عشوائية بين متخصصين مدعومين بالذكاء الاصطناعي ومتخصصين من دونه.

لكن ذلك لا يحسم كل أسئلة التطبيق. النص المقدم للدراسة لا يدعي أن Retina4IRD يحدد التشخيص النهائي بشكل مستقل، ولا يشير إلى إمكانية الاستغناء عن الاختبارات الجينية. وبدلًا من ذلك، تشير النتائج إلى دور أقرب المدى وأكثر عملية للذكاء الاصطناعي في طب الأمراض النادرة: تحسين دعم القرار في الأماكن التي يعتمد فيها التشخيص حاليًا على خبرة نادرة ومراجعة تستغرق وقتًا طويلًا.

كما توحي قاعدة بيانات التطوير العابرة للحدود بطموح أوسع. فحالات IRD نادرة بما يكفي لجعل جمع بيانات تدريب قوية أمرًا صعبًا، وغالبًا ما تكون هناك حاجة إلى تعاون دولي لالتقاط التنوع ذي المعنى السريري. وإذا أكدت دراسات لاحقة النتائج عبر مجموعات سكانية وأنظمة رعاية أوسع، فقد تصبح نماذج تصوير الشبكية طبقة متزايدة الأهمية بين التقاط الصورة والتأكيد الجزيئي.

وفي الوقت الراهن، الخلاصة الأساسية واضحة. ففي بيئة عشوائية متعددة المراكز، حسّن نظام دعم قائم على الذكاء الاصطناعي بشكل ملموس قدرة المتخصصين على التنبؤ بالفئة الجينية الكامنة وراء الاشتباه بمرض شبكي وراثي. وفي مجال يمكن أن يؤثر فيه التأخير التشخيصي في قرارات العلاج والإرشاد والأهلية للتدخلات المستقبلية الموجهة للجينات، يمثل ذلك خطوة ذات أهمية.

هذه المقالة مبنية على تغطية Nature Medicine. اقرأ المقال الأصلي.