التعلُّم العميق مُتعدِّد الوسائط لتنبؤ واكتشاف السكتة الدماغية باستخدام تصوير الشبكية والبيانات السريرية
تُعدّ السكتة الدماغية من أبرز تحدّيات الصحّة العامة عالميًا، إذ تؤثّر في ملايين الأشخاص. وقد أظهرت تقنيات التعلُّم العميق مؤخرًا إمكانات واعدة في تحسين تشخيص السكتة الدماغية وتنبؤ مخاطرها، غير أنّ الأساليب الراهنة غالبًا ما تعتمد على وسائل تصوير باهظة الكلفة مثل التصوير المقطعي المحوسب. تُشير دراسات حديثة إلى أنّ تصوير الشبكية قد يُوفِّر بديلًا فعّالًا من حيث الكُلفة لتقييم صحّة الأوعية الدماغية، نظرًا للتشابه البنيوي والجنيني والوظيفي بين الشبكية والدماغ. بناءً على ذلك، تستكشف هذه الدراسة الاستفادة من صور الشبكية والبيانات السريرية لاكتشاف السكتة الدماغية وتنبّؤ خطرها. نقترح شبكة عصبونية عميقة مُتعدِّدة الوسائط تعالج صور التصوير المقطعي البصري التوافقي (OCT) وصور انعكاس الأشعّة تحت الحمراء للشبكية، إلى جانب بيانات سريرية تشمل المعلومات الديموغرافية، والعلامات الحيوية، وأكواد التشخيص. درّبنا النموذج مبدئيًا بطريقة تعلُّم ذاتي الإشراف على مجموعة بيانات واقعية مؤلّفة من \(37\) ألف صورة، ثم قمنا بالضبط الدقيق وتقييم الأداء باستخدام مجموعة فرعية معنونة صغيرة. تُظهر نتائجنا التجريبية قدرة هذه الوسائط على التنبؤ بالآثار الشبكية المُتبقّية المرتبطة بالسكتة الدماغية الحادّة، وكذلك توقّع خطر الإصابة عبر آفاق زمنية محدّدة. حقّق الإطار المقترح تحسّنًا في AUROC بنحو \(5\)% مقارنةً بنموذج صوري أحادي، وبنحو \(8\)% مقارنةً بنموذج مرجعي مُتقدِّم. تُبرز دراستنا إمكانات تصوير الشبكية في تحديد المرضى الأكثر عرضة للخطر وتحسين النتائج الصحية بعيد المدى عبر التدخّل المبكِّر. الأهمّية السريرية— توضِّح هذه الدراسة إمكانات نماذج التعلُّم العميق في توظيف صور الشبكية والبيانات السريرية لتنبّؤ واكتشاف خطر السكتة الدماغية. ويُشجّع النهج المقترح على تطوير تقنيات غير جراحية وفعّالة من حيث الكُلفة لتقييم خطر السكتة الدماغية، بما قد يُسهم على المدى البعيد في تقليل عبئها عالميًا وتحسين المخرجات عبر التدخّل المبكِّر.
المقدّمة
تُعدّ السكتة الدماغية من الأسباب الرئيسة للوفاة والإعاقة طويلة الأمد عالميًا، خصوصًا بين كبار السن. ويُمثّل عبؤها تحدّيًا صحيًا متزايدًا، إذ سُجِّه ارتفاع ملحوظ في معدّلاتها بين 1990 و2019، مع أعلى النسب في الدول ذات الدخل المنخفض والمتوسِّط. يُبرز ذلك الحاجة إلى تطوير نماذج دقيقة لتنبّؤ خطر السكتة الدماغية بهدف الوقاية المبكِّرة لدى الأكثر عرضة.
تقع السكتة الدماغية إمّا نتيجة انسداد أحد شرايين الدماغ (السكتة الإقفارية) وتمثّل نحو \(80\%\) من الحالات، أو بسبب تَمَزُّق أحد الشرايين الدماغية (السكتة النزفية). وتشمل عوامل الخطر الشائعة أمراضًا مزمنة كالسُّكّري، والرجفان الأذيني، وارتفاع ضغط الدم، والقصور الكلوي، إضافة إلى عوامل نمط الحياة كالتدخين. يُشخَّص الحدث الدماغي عادةً بظهور مفاجئ للأعراض وتدهور سريع في الحالة، ما يستدعي تدخّلًا عاجلًا لتقليل الضرر الدماغي ومضاعفاته.
يُعدّ التصوير المقطعي المحوسب (CT) والتصوير بالرنين المغناطيسي (MRI) المعيار الذهبي لتشخيص السكتة الدماغية بعد ظهور الأعراض. غير أنّ هذه الوسائل مكلفة، وتستغرق وقتًا، وتستلزم توافُر تجهيزات متخصِّصة. لذا تبرز الحاجة إلى وسائل أكثر يسراً وأقل كُلفة لتقييم خطر السكتة قبل ظهور الأعراض.
تتقاسم الشبكية والدماغ الأصل الجنيني والخصائص التشريحية والفيزيولوجية، ما يجعل الشبكية وسيطًا واعدًا لفهم التغيّرات الدماغية. وقد أظهرت أبحاث طبّ الأعصاب العيني أنّ التصوير المقطعي البصري التوافقي (OCT) قادر على رصد تغيّرات عصبية تعكس حالة الدماغ. ويمتاز OCT بأنّه سريع، غير جراحي، وفعّال كُلفيًا، ويوفّر صورًا عالية الدقّة للأنسجة الشبكية. وأثبتت أعمال حديثة فاعلية OCT في أمراض عصبية متعدّدة مثل داء ألزهايمر. يندرج هذا العمل ضمن مجال ناشئ يُعرف بـالعَيْنوميّات (Oculomics)، الذي يستهدف تعميق فهمنا للصحة والأمراض الجهازية عبر التصوير الشبكي عالي الدقّة وتقنيات علم البيانات.
أسهم الذكاء الاصطناعي، لا سيّما التعلُّم الآلي والعميق، في تطوير الرعاية الصحية وتحسين التشخيص والتنبّؤ والعلاج. وفي طبّ العيون، تُشكِّل البيانات مُتعدِّدة الوسائط مع تقنيات الذكاء الاصطناعي أساسًا قويًا لاستكشاف علاقة العين بسائر الجهاز. ركّزت دراسات عديدة على استخدام صور الشبكية مع التعلُّم الآلي لتنبّؤ أمراض القلب والأوعية والأمراض العصبية التنكسية. لكنّ الدراسات التي تناولت تحليل صور الشبكية لتنبّؤ السكتة الدماغية بتقنيات التعلُّم العميق لا تزال محدودة؛ إذ انصبّ أغلب العمل السابق على استخراج مؤشّرات حيوية شبكية وتغذيتها لنماذج إحصائية مثل الانحدار والنماذج الشجرية، اعتمادًا على صور قاع العين (fundus) وOCT الوعائي.
طوّرت بعض الأعمال نماذج تعلُّم عميق لتنبّؤ السكتة باستخدام صور الشبكية. على سبيل المثال، تمّ تدريب ثلاث شبكات عصبية التفافية (CNN) لتنبّؤ خطر السكتة خلال عام باستخدام صور قاع العين بأطوال موجية مختلفة. كما اقتُرح نموذج CNN يعتمد على صور OCT الوعائي لتمييز مرضى السكتة من غيرهم. واقترحت دراسة أخرى نموذج أساس (RetFound) لتنبّؤ أمراض جهازية متعددة، منها السكتة الإقفارية، دُرِّب على مجموعات ضخمة من صور قاع العين وOCT على نحو منفصل. أظهر النموذج أداءً واعدًا في التنبّؤ بخطر السكتة خلال ثلاث سنوات على مجموعة تحقق داخلية، لكن الأداء لم يتكرّس على مجموعة اختبار خارجية.
انطلاقًا من ذلك، قد يُسهم الاكتشاف الآلي للسكتة الدماغية باستخدام تصوير الشبكية في تحديد المعرضين للخطر عبر وسائل غير جراحية ومنخفضة الكُلفة مثل OCT. في هذه الدراسة، نقترح RetStroke (انظر الشكل)، وهو نموذج تعلُّم عميق مُسنَد سريريًا قادر على التنبّؤ بالسكتة الدماغية باستخدام وسيطين شبكيين: OCT وصور انعكاس الأشعّة تحت الحمراء. ومن عناصر الابتكار في RetStroke اعتماده على بيانات سريرية تُجمَع روتينيًا وذات صلة وثيقة، مثل الأمراض المصاحبة (وفق أكواد التشخيص)، والعلامات الحيوية، والمعلومات الديموغرافية، أثناء التدريب والتنبّؤ لتعزيز الأداء. كما يمتاز بقدرته على تنبّؤ خطر السكتة واكتشاف الآثار المُتبقّية بعد وقوعها. وعلى الرغم من بساطته، يُظهر RetStroke فائدة التعلُّم مُتعدِّد الوسائط ويتفوّق على نموذج مرجعي مُتقدِّم.
المنهجيّة
الموافقات الأخلاقية
حصلت الدراسة على الموافقات اللازمة من لجان الأخلاقيات البحثية في جامعة نيويورك أبوظبي (HRPP-2022-190) وعيادة كليفلاند أبوظبي (A-2022-059). وقد اعتُبرت الدراسة معفاة، لذا لم تُطلَب موافقات مُستنيرة من المرضى.
مجموعة البيانات
استخدمنا مجموعة بيانات خاصة جُمِعَت في عيادة كليفلاند أبوظبي (CCAD) بين مارس 2015 ويوليو 2023. تُعدّ CCAD مستشفى متعدِّد التخصّصات يُقدِّم خدمات الرعاية الأولية والثانوية والثالثية في أبوظبي، الإمارات العربية المتحدة. تضمّنت المجموعة وسيطين: بيانات سريرية مُستخرجة من السجل الصحي الإلكتروني (EHR) وصورًا جُمِعَت خلال فحوص OCT. جُمِعت صور OCT باستخدام جهاز Heidelberg Spectralis، الذي يُنتج صور OCT طيفية وصور انعكاس الأشعّة تحت الحمراء لمواضع مختلفة من العين مثل البقعة، والمنطقة حول رأس العصب البصري، والجزء الأمامي للعين. تشمل بيانات EHR معلومات ديموغرافية، وتشخيصات، وقياسات علامات حيوية، وإجراءات سريرية.
معالجة البيانات
تصفية مجموعة المرضى
وُضِعت معايير اشتمال واستبعاد بالتعاون مع خبراء المجال لتحديد مجموعة مرضى السكتة الدماغية. اقتصرنا على البالغين واستبعدنا من هم دون \(18\) عامًا عند الدخول. شملنا جميع حالات الدخول للمستشفى التي تتوافر لها بيانات وقت الدخول والخروج، واستبعدنا الأنواع الأخرى من الزيارات. ثم شملنا كل الحالات التي تحمل رمز تشخيص السكتة الدماغية وفق التصنيف الدولي للأمراض (ICD-10-CM): I60 (نزيف تحت العنكبوتية غير الرَّضّي)، I61 (نزيف دماغي غير رَضّي)، I62 (نزف داخل القِحف غير رَضّي آخر وغير مُحدَّد)، I63 (احتشاء دماغي)، وG45.9 (نوبة نقص تروية دماغية عابرة غير مُحدَّدة). شملنا كل المرضى الذين خضعوا لتصوير CT أو تصوير الأوعية بالتصوير المقطعي المحوسب (CTA). بعد ذلك صُنِّف نوع الحدث إلى نوبة نقص تروية عابرة (TIA)، وسكتة إقفارية (IS)، ونزف داخل القِحف (ICH) وفق الأكواد. لمرضى TIA، ثبّتنا الحالة بصرف دواء مُضاد للصفيحات أثناء الإقامة. ولـIS اعتمدنا صرف المنشِّط النسيجي للبلازمينوجين المُعاد التركيب (rtPA) أو مضادات الصفيحات. أمّا ICH فثبّتناه بإقامة تزيد عن \(12\) يومًا وفق معايير المستشفى.
معالجة بيانات التصوير
وُضِعت معايير اشتمال واستبعاد لمجموعة OCT. شملنا البالغين فقط واستبعدنا من هم دون \(18\) عامًا. حُصرت الدراسة في صور تُغطّي منطقة البقعة. شملنا الفحوص المُلتقطة بأنماط OCT التلقائية في الزمن الحقيقي واستبعدنا أنماط المسح الأخرى. كما استبعدنا الحالات التي لم تُقرَن صور OCT لديها بصور انعكاس الأشعّة تحت الحمراء.
تنسيق مجموعة البيانات
رُبِطَت دراسات OCT بحالات السكتة الدماغية عبر مُعرِّفات المرضى. عُلِّمَت كل دراسة OCT كتسمية إيجابية إذا جُمِعت الصورة خلال 365 يومًا من حدث السكتة الدماغية، وسلبية إذا لم تقع ضمن نافذة 365 يومًا. شملنا جميع العينات السلبية لرفع متانة النموذج ولتعكس التوزيع الواقعي حيث يقلّ اقتران السكتة بزيارة OCT. اعتُبرت كل صورة (شريحة مسح) عيّنة مستقلة. وأخيرًا، قُسِّمت البيانات إلى تدريب/اختبار بنسبة \(80/20\) مع منع تسرُّب معلومات المريض بين المجموعتين.
معالجة البيانات السريرية
استخرجنا مجموعة خصائص ثابتة من EHR تشمل العوامل الديموغرافية ونمط الحياة، وقياسات العلامات الحيوية، وتاريخ الأمراض وفق أكواد ICD (بإجمالي 34 خاصية). تضمّنت الأولى عمر المريض، والجنس، وحالة التدخين. وشملت العلامات الحيوية: مؤشر كتلة الجسم، وضغط الدم الانقباضي والانبساطي، ودرجة الحرارة، ومعدّل النبض، ومعدّل التنفس. استُخدمت القياسات من زيارة OCT نفسها إن توفّرت، وإلا فأحدث قياس سابق مُتاح. وعند الغياب، عُوِّضت بقيم “طبيعية” معيارية وفق المعرفة السريرية. مُثِّل تاريخ الأمراض باستخدام مجموعات أكواد ICD، واستُرجعت جميع أكواد التشخيص السابقة لزيارة OCT. رُمِّزت المتغيّرات الفئوية بطريقة أحاديّة السخونة (one-hot)، بينما طُبِّعَت المتغيّرات العددية بتطبيع min-max.
عنونة البيانات للتدريب والتقييم
صُوغت مهمة التنبّؤ كتصنيف ثنائي باستخدام تسميات صور OCT. تراعي العنونة لدينا حالتين: وقوع السكتة قبل التقاط صورة OCT أو بعدها. درّبنا وقَيَّمنا النموذج على هذا التصنيف العام نظرًا لصِغَر مجموعة البيانات في هذه الدراسة الاسترجاعية.
لِيكن \(t_{OCT}\) وقت التقاط صورة OCT و\(t_{stroke}\) وقت حدوث السكتة الدماغية. قيّمنا النموذج أيضًا في سيناريوهين إضافيين: تنبّؤ الخطر (عندما تقع السكتة بعد OCT: \(t_{stroke} > t_{OCT}\))، واكتشاف الآثار المُتبقّية (عندما تقع السكتة قبل OCT: \(t_{stroke} < t_{OCT}\)). ولتحليل أدقّ، قيّمنا الأداء عبر آفاق زمنية مختلفة (\(N\) يومًا): 90، 180، 270، و365 يومًا.
نموذج التنبؤ
صياغة المشكلة
لِيكن \(\mathcal{D} = \{(x_{oct}^{i}, x_{ehr}^{i}, y^{i}) \mid i = 1, 2, \dots, n\}\) مجموعة بيانات معنونة مُتعدِّدة الوسائط، حيث \(n\) عدد العيّنات. تمثّل \(x^{i}_{oct}\in \mathbb{R}^{h\times w}\) صورة OCT، حيث \(h\) و\(w\) الارتفاع والعرض. وترتبط الصورة بمتّجه خصائص ثابتة من السجل الصحي \(x^{i}_{ehr} \in \mathbb{R}^{s}\)، حيث \(s\) عدد الخصائص. كل زوج (\(x^{i}_{oct}\)، \(x^{i}_{ehr}\)) مقترن بتسمية حقيقية \(y^{i} \in \{0,1\}\) تُمثِّل حالة السكتة الدماغية. هدفنا تدريب شبكة عصبية مُتعدِّدة الوسائط تتنبّأ بـ\(y^i\) من المدخلات.
البنية
RetStroke شبكة مُتعدِّدة الوسائط لمعالجة بيانات التصوير والمعلومات السريرية. يتكوّن النموذج من أربع وحدات: (1) مُشَفِّر بصري CNN يُرمز له بـ\(f_{oct}\)، (2) مُشَفِّر EHR على هيئة شبكة إدراك متعدِّدة الطبقات يُرمز له بـ\(f_{ehr}\)، (3) وحدة دمج غير مُعلَّمية تُرمز بـ\(\oplus\)، و(4) رأس تنبّؤ خطّي يُرمز له بـ\(g_{fuse}\).
تُشفَّر صورة \(x_{oct}\) عبر \(f_{oct}\) لتوليد تمثيل \(z_{oct}\)، وتُشفَّر بيانات \(x_{ehr}\) عبر \(f_{ehr}\) لتوليد \(z_{ehr}\). يعتمد RetStroke استراتيجية الدمج المتأخِّر لدمج معلومات الوسيطين. لكل من المُشَفِّرين رأس تنبّؤ خاص \(g_{oct}\) و\(g_{ehr}\) لإنتاج تنبؤات وسيطية \(p_{oct}\) و\(p_{ehr}\). تُدمَج هذه التنبؤات عبر \(\oplus\) وتُمرَّر إلى الرأس الرئيسي \(g_{fuse}\) للحصول على التنبّؤ النهائي \(\hat{y}\). استُخدمت دالة خسارة الانتروبيا المتقاطعة الثنائية (BCE) لتدريب النموذج: \[\label{bce} \mathcal{L} = - \frac{1}{n} \sum_{i=1}^n \left[ y_i \log(\hat{y}_i) + (1 - y_i) \log(1 - \hat{y}_i) \right].\]
استراتيجية التدريب
نظرًا لصِغَر مجموعة البيانات المعنونة، اتُّبِعت استراتيجية على مرحلتين: تعلُّم ذاتي الإشراف للمُشَفِّر البصري باستخدام بيانات غير معنونة، يتلوه ضبط دقيق باستخدام بيانات معنونة. في مرحلة التعلُّم الذاتي، استُخدم إطار SimCLR القائم على خسارة تباينيّة لتعلّم تمثيلات عالية الجودة. تُشجّع الخسارة التباينية على تقارب الأزواج الإيجابية وتباعد الأزواج السلبية: \[\label{contrastive} \mathcal{L}_{i,j} = -\log\frac{\exp\left(\text{sim}\left(\mathbf{z}_{i}, \mathbf{z}_{j}\right)/\tau\right)}{\sum^{2K}_{k=1}1_{[k\neq{i}]}\exp\left(\text{sim}\left(\mathbf{z}_{i}, \mathbf{z}_{k}\right)/\tau\right)},\]
حيث K عدد العينات في الدُّفعة، و\(\mathbf{z}\) التمثيل الكامن الصادر عن المُشَفِّر البصري، و\(\tau\) مُعامل درجة الحرارة الذي يضبط حدّة درجات التشابه. بدل تثبيت \(\tau\)، استخدمنا مُعاملًا قابلًا للتعلّم يُعدَّل تلقائيًا أثناء التدريب.
لأغراض التعلُّم الذاتي، أنشأنا مجموعتي بيانات لـOCT وواحدة لانعكاس الأشعّة تحت الحمراء. وبما أنّ مسح OCT ثلاثي الأبعاد يحوي 25–49 شريحة، عُدَّت كل شريحة عيّنة مستقلة، ما أفضى إلى نحو \(1.1\) مليون صورة. أمّا مجموعة التدريب الثانية فشملت الشريحة الأوسط فقط من كل حجم OCT، بينما شملت مجموعة الأشعّة تحت الحمراء صورة واحدة من كل دراسة. قُسِّمت بيانات التدريب بنسبة \(90/10\) إلى تدريب/تحقُّق. بعد التعلُّم الذاتي، استُخدمت الأوزان المُتعلَّمة لتهيئة \(f_{oct}\) داخل RetStroke، ثم ضُبِط النموذج بالكامل باستخدام تسميات السكتة الدماغية.
إعداد التجارب
التدريب المبدئي للنموذج
في SimCLR اتّبعنا تعزيزات بيانات (augmentations) مماثلة للأصل، شملت الاقتصاص العشوائي، وتغيير الألوان، والتغبيش الغاوسي، والتدوير العشوائي أفقيًا وعموديًا (تعزيزات “قويّة”). كما حُسِبت إحصاءات خاصة بالمجموعة لاستخدامها في التطبيع. استُخدمت خوارزمية AdamW، بحجم دفعة \(256\)، مع جدولة لمعدّل التعلّم بطريقة الاضمحلال الجيبي التَّمامي (Cosine decay). ضُبِطت قيمة \(\tau\) الابتدائية عند \(0.5\)، وقُمنا بتقييدها إلى \(0.1\) كحدّ أدنى عند اللزوم. دُرِّب كل نموذج \(200\) حقبة مع إيقاف مُبكِّر (patience = \(10\) وتغيّر أدنى \(1e-6\) في خسارة التحقُّق). كما حُسِّنت قيم معدّل التعلّم وتفكّك الأوزان ضمن \([1e-6, 1e-5]\) و\([0, 1e-1]\) على التوالي عبر بحث عشوائي لعدد عشرة تجارب لكل إعداد.
الضبط الدقيق للنموذج
استُخدمت ResNet-18 كأساس للمُشَفِّر البصري \(f_{oct}\) في RetStroke. ولـ\(f_{ehr}\) استُخدمَت طبقتان متّصلتان بالكامل مع تطبيع دفعي وتفعيل ReLU. رأس التنبّؤ \(g_{fuse}\) طبقة خطّية تُعالِج التنبؤات المُدمجة من كلا المُشَفِّرين. استُخدمت خوارزمية Adam، مع جدولة معدّل التعلّم بطريقة الاضمحلال الجيبي التَّمامي. في تعزيزات الصور (البسيطة)، طُبِّقت عمليات تدوير أفقي عشوائي، وتدوير، واقتصاص، وترجمة باحتمالية \(0.5\).
لتحسين معاملات RetStroke، أجرينا بحثًا بايزيًا مع تحقُّق متقاطع بخمس طيّات (K=5)، واُعتُمِد AUROC لاختيار أفضل النماذج على مجموعة التحقّق. شملت فضاء البحث: معدّل التعلّم \([1e-6,5e-5]\)، تفكّك الأوزان \([0,1e-3]\)، حجم الدُّفعة \([64,128,256]\)، ونوع التعزيزات [بسيطة/قويّة]. ثُبِّت عدد الحقبات عند \(100\) مع إيقاف مُبكِّر (patience = \(10\)). أُجريت \(100\) تجربة تحسين لكل إعداد، ثم اختير أفضل نموذج وفق AUROC وقُيِّم على مجموعة الاختبار. استُخدمت وحدات Nvidia A100 في جميع التجارب.
النماذج المرجعية
لتقييم متانة RetStroke، قورِن أداؤه بنموذجين مرجعيين: (1) تدريب أحادي الوسيط يعتمد الصور فقط، و(2) نموذج الأساس RetFound. RetFound نموذج أساس مُدرَّب على بيانات ضخمة وقادر على أداء مهام تنبؤية متعدّدة. جُمِّدت أوزانه واُستُخدم كمستخرج خصائص لضمان عدالة المقارنة. كما أجرينا تجربة لـRetFound بإضافة الخصائص السريرية المُستخدمة في RetStroke لدرس أدائه في بيئة مُتعدِّدة الوسائط، وبنفس إعداداتنا قدر الإمكان. وللتقييم، أبلغنا عن AUROC ومساحة تحت منحنى الدقّة-الاسترجاع (AUPRC) والحساسية عند خصوصية ثابتة.
النتائج
بعد تطبيق معايير الاشتمال والاستبعاد لتحديد حالات السكتة الدماغية، تكوّنت مجموعة المرضى من \(5,523\) مريضًا مُشخّصين بالسكتة، ارتبطوا بـ\(6,152\) حالة دخول للمستشفى. جُمِعت بيانات OCT الأولية من \(9,056\) مريضًا، وتضمّنت \(23,708\) دراسة فريدة. وبعد المعايير الخاصة بـOCT، أصبحت المجموعة \(18,996\) دراسة فريدة لـOCT من \(7,427\) مريضًا. ربطُ المجموعتين أسفر عن \(468\) دراسة OCT إيجابية عائدة إلى \(183\) مريضًا مصابًا بالسكتة. تكوّنت المجموعة النهائية من \(37,587\) صورة لكلتا العينين: \(19,455\) لليمنى و\(18,132\) لليسرى. يُلخّص الجدول أدناه الخصائص الرئيسة لمجموعة البيانات النهائية المُستخدمة لضبط RetStroke.
| النماذج | أحادي الوسيط | مُتعدِّد الوسائط |
|---|---|---|
| الأشعّة تحت الحمراء | ||
| RetStroke | 0.619 (0.032) | 0.658 (0.013) |
| OCT | ||
| RetFound | 0.600 (0.011) | 0.684 (0.01) |
| RetStroke | 0.637 (0.023) | 0.683 (0.03) |
يُظهِر الجدول أعلاه أداء RetStroke في الإعدادين الأحادي ومُتعدِّد الوسائط لكلٍّ من الأشعّة تحت الحمراء وOCT مقارنةً بـRetFound، بينما يُوضِّح الشكل النتائج بصريًا. باستخدام صور الأشعّة تحت الحمراء، يحقق RetStroke قيمة AUROC قدرها \(0.658\) مقارنةً بنسخته الأحادية \(0.619\). وفي صور OCT، تتفوّق نسخة RetStroke الأحادية على RetFound (0.637 مقابل 0.600). علاوة على ذلك، يستفيد كلٌّ من RetStroke وRetFound من دمج المعلومات السريرية (إعداد مُتعدِّد الوسائط).
ولفهم الأداء بصورة أدقّ، أجرينا تحليلًا فرعيًا بحسب العمر، والأمراض المصاحبة، ونوع السكتة. كما في الشكل، يحقق RetStroke أفضل أداء في الفئة \((40{-}60)\) سنة: AUROC = \(0.740\) لـOCT و\(0.690\) للأشعّة تحت الحمراء. لدى الأصغر سنًا (\(<40\)) ينخفض الأداء قليلًا إلى \(0.700\) لـOCT و\(0.670\) للأشعّة تحت الحمراء. أمّا لدى الأكبر (\(>60\)) فتكون القيم أدنى نسبيًا (~\(0.640\)). ويبلغ متوسط العمر 57.8 سنة.
كما يُظهِر الشكل أداء RetStroke بحسب نوع السكتة؛ إذ يحقق أداءً أفضل في الأنواع الإقفارية (IS وTIA)، بقيمة AUROC تقارب \(0.710\) لكِلا النوعين باستخدام OCT و\(0.650\) للأشعّة تحت الحمراء. أمّا في النزف داخل القِحف (ICH) فيكون الأداء أدنى (\(0.61{-}0.63\))، ويُمكن تفسير ذلك بارتفاع نسبة السكتات الإقفارية (~\(80\%\)) مقارنةً بالنزفية (~\(20\%\)).
يُظهر الشكل أداء RetStroke بالنظر إلى الأمراض المصاحبة قبل التقاط الصورة. سُجِّل أفضل أداء لدى مرضى أمراض الدم (D50–D89) باستخدام OCT (AUROC = 0.819)، بينما كان أدنى بكثير مع الأشعّة تحت الحمراء (0.711) للفئة نفسها. وفي أمراض الجهاز العصبي (G00–G99) والجهاز الدوري (I00–I99)، يتقارَب الأداء (AUROC ~0.760) باستخدام OCT. في المقابل، كان الأدنى لدى أمراض العين (H00–H59): AUROC = 0.686 لـOCT و0.640 للأشعّة تحت الحمراء، بما يتّسق مع أعمال سابقة تُشير إلى أنّ الأمراض العينية قد تُضعِف دقّة النماذج التنبؤية.
كما درسنا أداء RetStroke في تنبّؤ السكتة واكتشاف الآثار المُتبقّية، كما في الجداول المُلخِّصة. باستخدام الأشعّة تحت الحمراء، يحقق النموذج أداءً أعلى في تنبّؤ الخطر خصوصًا خلال الأشهر الستة الأولى (AUROC = \(0.774\) و\(0.766\) للفترتين \(<90\) و\(<180\) يومًا). ومع اتّساع الأفق الزمني تتراجع القيم إلى أقل من \(0.710\) للفترتين \(<270\) و\(<365\) يومًا. أمّا في اكتشاف الآثار المُتبقّية فكان الأداء أدنى (AUROC بين \(0.620\) و\(0.640\)).
وباستخدام صور OCT، بلغ AUROC = \(0.723\) و\(0.736\) لتنبّؤ الخطر خلال \(<90\) و\(<180\) يومًا على التوالي، ثم انخفض مع الآفاق الأطول إلى ما دون \(0.71\). وفي اكتشاف الآثار المُتبقّية، تقارب الأداء عبر أول ثلاث فترات (AUROC بين \(0.705{-}0.719\)). وبصورة عامة، يتفوّق RetStroke في تنبّؤ الخطر باستخدام الأشعّة تحت الحمراء، بينما يتقدّم OCT في اكتشاف الآثار المُتبقّية عبر جميع الآفاق.
أخيرًا، نورد حساسية RetStroke في تنبّؤ الخطر عبر الأشعّة تحت الحمراء وOCT عند خصوصية 0.5، حيث يظهر تفوّق نسبي لـOCT على الأشعّة تحت الحمراء.
المناقشة والاستنتاجات
قدّمنا RetStroke، إطارًا مُسنَدًا سريريًا يستفيد من صور الشبكية لاكتشاف السكتة الدماغية وتنبّؤها. يمتاز بدمجه المعطيات السريرية (الأمراض المصاحبة، العلامات الحيوية، الديموغرافيا) أثناء التدريب والتنبّؤ لتعزيز الدقّة. تفوّق RetStroke بوضوح على نماذج أحادية تعتمد الصور فقط (OCT أو الأشعّة تحت الحمراء)، كما حقّق أداءً أفضل من نموذج الأساس RetFound الذي يضمّ نحو \(300\) مليون مُعامِل ودُرِّب على بيانات OCT أضخم في بيئة أحادية. وبدراسة دمج المعلومات السريرية ضمن RetFound تبيّن أيضًا تحسّن ملحوظ، ما يُبرز أهمية البُعد السريري في إطارنا المقترح. وأظهر تقييم RetStroke عبر فئات فرعية مختلفة (العمر، نوع السكتة، الأمراض المصاحبة) متانةً جيّدة. إجمالًا، يُعدّ RetStroke إضافة نوعية إلى مجال العَيْنوميّات لفهم أمراض مهمّة مثل السكتة الدماغية.
يُلبّي التصميم الفريد لـRetStroke حاجات سريرية غير مُلبّاة عبر تقديم وسائل فحص منخفضة الكُلفة، سريعة، وغير مرتبطة بظهور الأعراض. كما يعمل على جبهتين: تنبّؤ خطر السكتة، واكتشاف الآثار الشبكية المُتبقّية بعدها، بما يدعم الوقاية ويُتيح فهمًا أعمق للتغيّرات الشبكية ذات الصلة بصحّة العين.
تقنيًا، يعتمد RetStroke على شبكة خفيفة (ResNet-18) أقل استهلاكًا للموارد من RetFound، وعلى أساليب دمج مباشرة تقلِّل تعقيد النموذج. كما يستفيد من خصائص سريرية بسيطة وسهلة الجمع تبيّن أنّها تعزّز الأداء، ويمكن نقلها لحالات استخدام أخرى.
مع ذلك، ثمة قيود تُشير إلى مسارات بحث مستقبلية: أولًا، رغم المقارنة بنماذج خارجية، جرى التقييم على مجموعة داخلية خاصة، ما يُثير أسئلة حول التعميم. يُعزى ذلك لصعوبات إتاحة البيانات الصحية والقيود التنظيمية، ويستدعي مزيدًا من الجهود لاختبار النموذج خارجيًا وبمرجعيات إضافية. ثانيًا، حجم البيانات المُستخدَم لتطوير RetStroke صغير نسبيًا (183 مريضًا)، ما قد يحدّ من تعلُّم خصائص خاصة بالسكتة ويؤثّر على الأداء؛ ويستحسن البحث في خسائر تُعالِج عدم توازن الفئات (مثل focal loss) أو استراتيجيات زيادة عينات الفئات النادرة. ثالثًا، اقتصر أفق التنبّؤ على عام واحد؛ وقد تكشف فترات أطول رؤى مختلفة. وأخيرًا، رغم تخصيص RetStroke للسكتة، فإنّ توسيعه لأمراض أخرى (قلبيّة أو عصبية تنكّسية) قد يعزّز فائدته السريرية. معالجة هذه القيود ستُسهم في تقدُّم هذا المسار البحثي المهم.
الشكر والتقدير
تمّ دعم هذا العمل من قِبَل ASPIRE، الذراع التنفيذي لبرامج التكنولوجيا في مجلس أبحاث التكنولوجيا المتقدّمة بأبوظبي (ATRC)، عبر منحة معهد أبحاث الطبّ الدقيق أبوظبي (ASPIREPMRIAD) رقم VRI-20-10، ومركز الذكاء الاصطناعي والروبوتات بجامعة نيويورك أبوظبي، المُموَّل من “تمكين” ضمن منحة معهد أبحاث NYUAD رقم CG010. أُجريت الأبحاث باستخدام موارد الحوسبة عالية الأداء في جامعة نيويورك أبوظبي.
\(^{1}\)سعيد شُرّاب، أديم نيبال، وفراح إي. شاموت من قسم الهندسة، جامعة نيويورك أبوظبي، الإمارات العربية المتحدة
saeed.shurrab@nyu.edu, aadim.nepal@nyu.edu, farah.shamout@nyu.edu↩︎\(^{2}\)تيرينس جي. لي-سانت جون من معهد الحياة الصحية أبوظبي، الإمارات العربية المتحدة
T.leestjohn@ihlad.ae↩︎\(^{3}\)نيكولا جي. غازي من معهد العيون في عيادة كليفلاند أبوظبي، الإمارات العربية المتحدة
GhaziN2@clevelandclinicabudhabi.ae↩︎\(^{4}\)بارتولومييج بيتشوفسكي-جوزوياك من مستشفى كانبيرا، كانبيرا، أستراليا
bartlomiejpj@gmail.com↩︎
تُعرَض المعادلات الرياضية باستخدام MathJax.