تعد التصوير المقطعي بالتماسك الضوئي (OCT) من أهم وسائل التصوير المستخدمة في تشخيص أمراض الشبكية، حيث توفر صورًا عالية الدقة للطبقات الشبكية. وعلى الرغم من أن تقنيات التعلم العميق (Deep Learning) حققت دقة تعادل دقة الخبراء في الكشف عن الأمراض، إلا أن الطبيعة الغامضة لنماذج التعلم العميق تعيق اعتمادها السريري، حيث تعتبر الشفافية أمراً أساسياً لبناء الثقة والحصول على الموافقات التنظيمية.

تُظهر الطرق الحالية المخصصة لتفسير النتائج بعد التنفيذ، والتي تُعرف باسم الذكاء الاصطناعي القابل للتفسير (Explainable AI - XAI)، صعوبات في تحديد الهياكل الدقيقة للآفات، واحترام الحدود التشريحية، وتقليل الضوضاء، مما يقلل من مستوى الثقة في تفسيراتها. هنا يأتي دور الإطار الجديد SAIL (التعلم القابل للتفسير الواعي بالهيكل) الذي يقدم حلاً مبتكرًا لتلك التحديات.

يعتمد إطار SAIL على دمج المعرفة التشريحية الخاصة بالشبكية في مستوى التمثيل، مما يربطها بالميزات الدلالية عبر تصميم دمج ذكي. وبدون الحاجة إلى تعديل الطرق القياسية في تفسير النتائج بعد التنفيذ، يؤدي هذا التمثيل إلى إنتاج خرائط تفسير أكثر حدة وملاءمة للتشريح.

أظهرت التجارب الشاملة على مجموعات بيانات OCT متنوعة أن أسلوبنا الواعي بالهيكل يعزز قابلية التفسير بشكل مستمر، وينتج تفسيرات ذات مغزى سريري وواعية بالتشريح. كما بينت دراسات الاستبعاد أن قابلية التفسير القوية تتطلب كلا من المعرفة الهيكلية والميزات الدلالية، وأن الدمج المناسب بينهما يعد شرطًا أساسيًا لتحقيق أفضل جودة في التفسير. تسلط هذه النتائج الضوء على أهمية التمثيلات الواعية بالهيكل باعتبارها خطوة رئيسية نحو تحقيق قابلية تفسير موثوقة في التصوير المقطعي بالتماسك الضوئي.