تُعد داء الكلب من القضايا الصّحية الكبرى في العديد من الدول الأفريقية والآسيوية، حيث تكتسب دقة التشخيص أهمية قصوى لضمان فعالية المراقبة الوبائية. يعتمد الأسلوب القياسي لتشخيص هذا المرض على تقنيات المجهر الفلوري، التي تتطلب مهارات متخصصة من الكوادر المخبرية لتفسير النتائج بدقة. لكن، هذه المهارات غالبًا ما تكون نادرة في المناطق التي تشهد حجم عينات سنوي محدود.

لذا، أُطلقت مبادرة مبتكرة تمثلت في تطوير نظام تشخيصي مدعوم بالذكاء الاصطناعي (AI)،^ يُصمم خصيصًا لتجاوز التحديات القائمة. تم تأسيس سلسلة قوية تُعنى بتحليل الصور الفلورية بتقنيات التعلم العميق. استخدمنا أربع هياكل عميقة مشهورة، وهي EfficientNetB0 وEfficientNetB2 وVGG16 وVision Transformer (ViTB16).

شمل بحثنا تحليل ثلاث استراتيجيات مختلفة لتوسيع البيانات بهدف تعزيز قدرة النموذج على التعميم، وذلك من خلال مجموعة بيانات تضم 155 صورة مجهرية (123 إيجابية و32 سلبية). أظهرت نتائجنا أن تقنية TrivialAugmentWide كانت الأكثر فاعلية، حيث حافظت على الأنماط الفلورية الحساسة وزادت من متانة النموذج.

كان نموذج EfficientNetB0، الذي استفاد من توسيع البيانات الجيومترية واللونية (Geometric & Color augmentation)، قد حقق الأداء التصنيفي الأمثل على الصور المعدلة. ورغم التحديات التي تفرضها حالة عدم توازن الفئات وحجم مجموعة البيانات المحدود، أثبت هذا البحث إمكانية استخدام التعلم العميق في أتمتة تشخيص داء الكلب.

كما تم إطلاق أداة على الإنترنت لتسهيل الوصول العملي، حاسمةً في إنشاء إطار نهائي لتطبيقات التصوير الطبي المستقبلية. تسلط هذه الدراسة الضوء على إمكانية نماذج التعلم العميق المحسّنة في تحويل تشخيص داء الكلب وتعزيز النتائج الصحية العامة.