يشهد مجال تشخيص الصور الطبية تطورًا هائلًا بفضل تقنيات الذكاء الاصطناعي (AI) التي تقدم إمكانيات غير مسبوقة. ولطالما كان التحدي الأكبر هو تطويع النماذج الحالية لتتناسب مع بيئات سريرية مختلفة، حيث كانت معظم النماذج تحتاج إلى إعادة تدريب، مما يساهم في تقليص قابليتها للتوسع.

لذا، ابتكر فريق البحث نموذج GlobeReady، منصة قائمة على أساس تكنولوجي قوي يدعمها نموذج RetiGlobe، ويتبدّى فكرته في تقليل الحواجز التقنية وتعزيز الاستخدام السلس للنماذج في العيادات. وقد تم إعداد نموذج RetiGlobe في مرحلتين: الأولى، تعتمد على التعلم الذاتي باستخدام DINOv2 مع 38 مليون صورة عين صناعية، والثانية باستخدام التعلم التبايني (contrastive learning) من خلال CLIP، والذي يشمل 475,845 زوجًا من الصور والنصوص الواقعية الشاملة لمدى واسع من الإثنيات وأجهزة التصوير والمناطق الجغرافية.

تمت مراجعة GlobeReady باستخدام مجموعة ضخمة تضم 488,448 صورة من عيادات متعددة في كل من الصين وسنغافورة وفيتنام والمملكة المتحدة، والتي تشمل صور قاع العين (CFPs) وتخطيط قاع العين البصري (OCT). وقد شارك 31 طبيب عيون في تقييم قابلية استخدام المنصة، مما أضاف بُعدًا إضافيًا للتحقق من جدواها.

بالإضافة إلى ذلك، تم تنفيذ تحليلات استكشافية لتقييم قدرة النموذج على التعميم عبر مجالات مختلفة، تحديد عدم اليقين، والكشف عن الصور التي قد تكون خارج نطاق التوزيع (OOD)، وكذلك استرجاع الحالات بناءً على ميزات الصورة.

مع هذه الابتكارات، يبدو أن GlobeReady تمثل خطوة مهمة نحو تعزيز دقة تشخيص الأمراض البصرية، ولكن يبقى السؤال: كيف يمكن تحقيق الاستفادة القصوى من هذه النماذج في العيادات المختلفة دون الحاجة للتعقيدات التقنية؟ ما رأيكم في هذا التطور؟ شاركونا في التعليقات.