وداعًا للعدّ اليدوي للتألق: فريق بريطاني يبتكر سير عمل ذكاء اصطناعي لتقييم لقاح داء الكلب، محققًا قيمة AUC تبلغ 0.999

داء الكلب هو مرض حيواني المنشأ خطير لا يزال يتسبب في وفاة عشرات الآلاف من البشر سنوياً في المناطق الموبوءة. وعلى الرغم من أن التطعيم يقي بفعالية من الإصابة بداء الكلب، إلا أن تشخيص العدوى الفيروسية، وتقييم المناعة بعد التطعيم، والمراقبة المصلية ذات الصلة، لا تزال تعتمد على طرق مختبرية موثوقة. في فحوصات زراعة الخلايا، يحتاج الباحثون عادةً إلى استخدام التصوير المجهري الفلوري لتحديد ما إذا كانت الخلايا مصابة بفيروس داء الكلب (RABV). تتضمن هذه العملية مراقبة وتفسيراً يدوياً لكميات كبيرة من الصور، مما يستغرق وقتاً طويلاً وقد يتأثر بخبرة المشغل، بالإضافة إلى عوامل مثل الإشارات الفلورية الضعيفة وشوائب الصورة.

في السنوات الأخيرة، ساهم التقدم في تقنيات التعلم العميق (DL) بشكل كبير في دفع عجلة تحليل الصور الطبية الحيوية، بما في ذلك تقييم العدوى الفيروسية. ومع ذلك، لم تدرس الأبحاث السابقة تطبيق طرق التعلم العميق على التحليل المنهجي للتصوير الفلوري لمستضدات فيروس داء الكلب. ونظراً لأن فيروس داء الكلب لا يسبب عادةً تأثيراً خلويّاً واضحاً أو تكويناً للخلايا العملاقة متعددة النوى (syncytia)، فإن العديد من السمات المورفولوجية الخلوية التي تعتمد عليها الطرق القائمة على الذكاء الاصطناعي لها صلاحية محدودة في هذا النوع من الفحوصات.

في هذا السياق، اقترح فريق بحثي من جامعة سري في المملكة المتحدة أول سير عمل قائم على الذكاء الاصطناعي للكشف عن عدوى فيروس داء الكلب في مزارع خلايا BHK-21، وللتحليل الكمي لعيارات الأجسام المضادة. اختار الباحثون ثلاث بنى معمارية متقدمة للتعلم العميق هي: ResNet، وSwin Transformer V2، وMambaOut، وقاموا بتدريبها باستخدام مجموعة بيانات ضخمة. في التقييمات على ثلاثة مستويات: مناطق الصورة، والصور الفردية، والآبار (wells)، تفوق نموذج MambaOut باستمرار على النماذج الأخرى.

على مستوى الآبار، حقق النموذج دقة بلغت 0.996، ودرجة F1 بلغت 0.993، ومساحة تحت منحنى تشغيل المتلقي (AUC-ROC) بلغت 0.999. لتقييم القدرة التطبيقية العملية لهذه الطريقة، اختبر الباحثون النموذج باستخدام صور غير مرئية سابقاً من اختبار تحييد الفيروس بالأجسام المضادة الفلورية الموصى به من قبل منظمة الصحة العالمية (WHO) / المنظمة العالمية لصحة الحيوان (WOAH). وقد أظهر نموذج MambaOut تطابقاً تاماً مع النتائج المرجعية الحقيقية في التنبؤ بتركيز الأجسام المضادة، مما يؤكد موثوقية سير العمل هذا في تقييم اللقاحات وفحوصات السفر الخاصة بالحيوانات الأليفة.

نُشرت نتائج البحث تحت عنوان «التعلم العميق يمكّن من كشف فيروس داء الكلب والكمية الكمية للأجسام المضادة في مزارع الخلايا» في مجلة Scientific Reports.

أبرز نقاط البحث:

• بناء أول مجموعة بيانات ضخمة لتصوير فيروس داء الكلب.

• استخدام الذكاء الاصطناعي لأتمتة تحليل الصور عالي الإنتاجية، مما يوفر حلاً قابلاً للتوسع وموفراً للوقت للمختبرات التشخيصية، خاصة في البلدان والمناطق الموبوءة بداء الكلب.

• تمهد نتائج البحث الطريق للتشخيص المساعد بالذكاء الاصطناعي لداء الكلب، وتفتح آفاقاً جديدة لتطبيق تقنيات التعلم العميق في طرق أخرى للكشف عن الفيروسات القائمة على مزارع الخلايا.

رابط الورقة البحثية:

https://www.nature.com/articles/s41598-026-57955-8

بناء مجموعة بيانات LyssaScan: تحديد إشارات العدوى من الصور الفلورية

قام الباحثون أولاً ببناء مجموعة بيانات LyssaScan للصور من أجل تحديد عدوى RABV، وتغطي هذه المجموعة مستويات عدوى متنوعة، وعوامل صبغ مختلفة، وظروف تصوير متعددة، مما يعكس في آن واحد الاختلافات البيولوجية والتباين على المستوى التقني.

وبالتحديد، استخدم الباحثون خلايا BHK-21 المصابة بالسلالة القياسية للهجوم 11 من فيروس داء الكلب (CVS-11) لإنشاء عملية موحدة للتصوير المجهري الفلوري. تمت زراعة الخلايا في ألواح ذات 96 بئراً ذات قاع مسطح وشفاف وجدران جانبية سوداء. وبعد 48 ساعة من الزراعة، ثبت الباحثون الخلايا وقاموا بصبغها باستخدام أجسام مضادة بوليكليونية متعددة النسائل لنوكليوكابسيد فيروس داء الكلب (Fujirebio) موسومة بالفيتوإريثروسين (FITC). شملت الضوابط السلبية آباراً للخلايا غير المصابة وآباراً تحتوي على الوسط الزراعي فقط، وتم صبغ بعض مزارع الخلايا باستخدام جسم مضاد آخر مقترن بـ FITC (Sifin). توضح الصورة أدناه عملية التصوير الكاملة:

سير العمل الآلي لتوليد مجموعة البيانات

تم تنفيذ التصوير الآلي باستخدام جهاز Cytation 5 لتحليل الصور الخلوية من شركة Agilent Technologies، والمجهز بعدسة موضوعية يظهر طرازها بشكل غير طبيعي في المعلومات الأصلية، وكاميرا مدمجة واسعة المجال. استخدم الباحثون مرشحات GFP و Texas Red لجمع إشارات الفلورة الناتجة عن صبغ نوكليوكابسيد الفيروس والصور المستخدمة لمراقبة الطبقة الخلوية. تم تصوير كل بئر في أربعة مواقع زوايا، مما أدى إلى توليد أربع صور صيغة PNG مركبة لكل بئر. وفي النهاية، تم جمع ما مجموعه 2,344 صورة مركبة للمعالجة اللاحقة.

بعد ذلك، تم تكبير الصور إلى أبعاد محددة لتقسيمها بدقة إلى 16 منطقة صورة (patches) غير متداخلة، وقام متخصصون بوضع العلامات عليها يدوياً لتوليد تسميات مرجعية حقيقية موثوقة. تم وضع علامة "غامض" على الحالات التي لم يتم الاتفاق فيها على حكم واحد واستبعادها من تطوير النموذج. في النهاية، احتوت مجموعة بيانات LyssaScan على 36,822 منطقة صورة، منها 9,750 عينة مصابة و27,072 عينة غير مصابة.

الاختلافات المعمارية بين النماذج الثلاثة: من الشبكات الالتفافية إلى الالتفاف المُبواب

لمقارنة أداء معماريات التعلم العميق المختلفة في مهمة التعرف على الصور الفلورية، اختار الباحثون ثلاثة نماذج هي: ResNet-101 و Swin Transformer V2 Small (SwinT-V2) و MambaOut Small. بلغ عدد المعاملات لهذه النماذج تقريباً 44.5 مليون و 47 مليون و 48.5 مليون على التوالي.

ResNet-101: شبكة عصبية التفافية تعتمد على الروابط المتبقية

يُعد ResNet النموذج الأساسي في هذه الدراسة، وتتميز سمته الجوهرية بإدخال الوصلات المتخطية (Skip Connections)، مما يحسن انتشار التدرجات مع تعميق الشبكة. من خلال استخراج ميزات الصورة طبقة تلو الأخرى، يمكن لـ ResNet التعرف على الهياكل الفلورية المحلية، إلا أنها قد تظل مقيدة بقدرات التعبير عن الميزات المحلية عند التمييز بين الخلفيات المعقدة وإشارات العدوى الضعيفة.

SwinT-V2: دمج المعلومات السياقية باستخدام آلية الانتباه الذاتي

ينتمي SwinT-V2 إلى محولات الرؤية الهرمية، ويعتمد على آلية الانتباه الذاتي عبر نوافذ مزاحة، مما يسمح بدمج المعلومات السياقية الأوسع نطاقاً أثناء استخراج الميزات المحلية. وفيما يتعلق بالصور الفلورية، قد تكون بؤر العدوى صغيرة، أو قد تختلط مع إشارات الخلفية أو فروقات الصبغ أو هياكل أخرى، وبالتالي فإن الجمع بين المظاهر المحلية والبيئة المحيطة يساعد في تحسين القدرة على التعرف.

MambaOut: تنظيم الميزات ديناميكياً عبر آلية البوابة

في هذه الدراسة، يعتمد MambaOut على وحدات التفاف مُبوبة مكدسة، ولا يتضمن مكونات نموذج فضاء الحالة. تتيح آلية البوابة تنظيم نقل الميزات ديناميكياً، مع تعزيز الإشارات القيمة بشكل انتقائي وكبح ضوضاء الخلفية. قد تجعل هذه الميزة النموذج أكثر ملاءمة للتعرف على البؤر الفلورية الضعيفة المدمجة في خلفيات معقدة، وهو أحد الأسباب وراء تركيز الباحثين على أداء هذا النموذج.

تمثل المعماريات الثلاث مسارات تقنية ذات خصائص مكملة - الشبكات العصبية الالتفافية (CNN)، ومحولات الرؤية (ViT)، والشبكات العصبية الالتفافية المُبوبة - مما يوفر أساساً للمقارنة المنهجية بين المعماريات المختلفة.

استُخدمت طرق تعزيز البيانات القياسية أثناء تدريب النماذج، بما في ذلك الانقلاب العشوائي، والدوران، وضبط السطوع والتباين، لتحسين متانة النماذج. تم تهيئة النماذج بأوزان مسبقة التدريب من ImageNet-1k، وتم ضبطها بدقة على مجموعة بيانات LyssaScan. تم التدريب باستخدام وحدة معالجة الرسومات NVIDIA GeForce RTX 2080 Ti، لمدة 20 حقبة تدريبية (epoch)، بحجم دفعة (batch size) قدره 128.

استُخدم مُحسّن Adam أثناء عملية التحسين، حيث لم يمكن استعادة محتوى الصيغة الخاصة بمعدل التعلم الأولي بدقة بسبب خلل في العرض في النص الأصلي، وتم استخدام استراتيجية جدولة معدل التعلم بالتلدين الجيبي. لمعالجة مشكلة عدم التوازن بين الفئات، اعتمدت الدراسة على دالة خسارة الانتروبيا المتقاطعة المرجحة، حيث تتناسب أوزان الفئات عكسياً مع تكرار العينات في كل فئة.

أثناء عملية التدريب (كما هو موضح في الصورة أدناه)، يتم تجميع الميزات المستخرجة من كل نموذج أولاً في متجه وصف للميزات ببعاد D عبر التجميع المتوسط العام (GAP)، ثم تُدخل إلى طبقة الاتصال الكامل (FC) لتوليد النواتج الخام (logits)، وأخيراً يتم تحسينها عبر دالة خسارة الانتروبيا المتقاطعة المرجحة.

أثناء عملية تدريب النموذج

في مرحلة الاستدلال (كما هو موضح في الصورة أدناه)، يتم معالجة مناطق الصور المدخلة بعد تعديل حجمها بواسطة النماذج المدربة؛ ثم تُجمّع الميزات المستخرجة عبر التجميع المتوسط العام، وبعدها تمر عبر طبقة الاتصال الكامل وطبقة Softmax للحصول على احتمالات التنبؤ لكل فئة. بعد ذلك، تُستخدم هذه الاحتمالات لحساب مؤشرات التقييم المختلفة للنموذج.

عملية استدلال النموذج

يوازن نموذج MambaOut بين دقة التعرف وقدرة تحديد كميات الأجسام المضادة

أجرى الباحثون تقييماً منهجياً للنماذج الثلاثة: ResNet و Swin Transformer V2 و MambaOut، وقارنوا أداء نماذج التعلم العميق المتقدمة الحالية في مهمة كشف فيروس داء الكلب، مما يوفر أساساً لاختيار النماذج ذات الصلة وتطبيقاتها.

تقييم أداء النموذج

تم تقييم أداء النموذج على ثلاثة مستويات. أولاً، تم إجراء تقييم لأداء الكشف على مستوى منطقة الصورة، حيث تم تصنيف كل منطقة صورة على حدة، وتُظهر النتائج في الجدول أدناه:

أداء الشبكات العصبية العميقة القائمة على التحقق المتقاطع الخماسي على مستوى مناطق الصور (patch) في مجموعة بيانات LyssaScan (المتوسط ± الانحراف المعياري)

ثانياً، تم تجميع نتائج التنبؤ لـ 16 منطقة صورة للحصول على نتيجة التصنيف للصورة بأكملها، ومقارنتها مع التسميات الحقيقية على مستوى الصورة، وتُظهر النتائج في الجدول أدناه:

تقييم أداء شبكات الأعصاب العميقة المختلفة على مجموعة بيانات LyssaScan على مستوى الصورة (المتوسط ± الانحراف المعياري) باستخدام التحقق المتقاطع بخمس طيات

أخيرًا، نظرًا لأن كل بئر يقابل أربع صور مأخوذة من زوايا مختلفة، قام الباحثون بتجميع نتائج التنبؤ للمناطق داخل الصور إلى مستوى البئر، ومقارنتها مع التسميات الصحيحة المقابلة لكل بئر، لتقييم أداء الكشف على مستوى البئر الكامل، كما هو موضح في الجدول التالي:

تقييم أداء شبكات الأعصاب العميقة المختلفة على مجموعة بيانات LyssaScan على مستوى البئر (المتوسط ± الانحراف المعياري) باستخدام التحقق المتقاطع بخمس طيات

على مستويات التقييم الثلاثة: مناطق الصور، والصور الفردية، والآبار، حقق نموذج MambaOut دائمًا أفضل أداء، يليه Swin Transformer V2 (SwinT-V2). على مستوى مناطق الصور، تفوق MambaOut في مقاييس الدقة، ودرجة F1، والدقة الإيجابية، مما يدل على قدرته على تحديد إشارات العدوى في المناطق المحلية للصور بشكل موثوق. ينعكس هذا الاتجاه أيضًا في تقييم مستوى الصورة: حقق MambaOut دقة عالية ودرجة F1 مرتفعة، بينما كان أداء SwinT-V2 أقل قليلاً من MambaOut.

كان أداء ResNet على مستوى الصورة هو الأدنى، حيث بلغت الدقة 0.947، ويعزى السبب الرئيسي في ذلك إلى حساسية النموذج لأخطاء التصنيف على مستوى مناطق الصور. ومع ذلك، تتوافق قاعدة التجميع هذه مع المنطق البيولوجي العملي للحكم: فظهور منطقة واحدة فقط إيجابية للفلورة يعني اكتشاف مستضدات فيروسية، وبالتالي يجب اعتبار الصورة بأكملها إيجابية للعدوى. في السيناريوهات التشخيصية، يعد اكتشاف أي دليل على العدوى أمرًا بالغ الأهمية، وغالبًا ما تكون نتائج الفحص السلبي الكاذب أكثر خطورة من الإيجابيات الكاذبة العرضية.

قابلية تطبيق قياس عيار الأجسام المضادة في اختبار تحييد الأجسام المضادة المناعي للفلورة (FAVN)

لتقييم مدى ملاءمة سير العمل المقترح في سيناريوهات الاختبارات المصلية، طبق الباحثون النموذج على اختبار تحييد الأجسام المضادة المناعي للفلورة (FAVN). أظهرت النتائج التجريبية أن MambaOut حقق أفضل أداء، حيث بلغت الدقة 0.992، ودرجة F1 0.992، ووصلت مساحة تحت منحنى ROC (AUC-ROC) إلى 0.997، مما يدل على قدرة النموذج على التقاط السمات المحلية والعالمية بفعالية تحت ظروف اختبار معقدة ومتغيرة. أظهر SwinT-V2 أيضًا قدرة تعميم قوية، حيث بلغت الدقة 0.988. بالمقارنة، انخفض أداء ResNet، حيث بلغت الدقة 0.965.

ثم فحص الباحثون بشكل أكبر قابلية تطبيقه لقياس عيار الأجسام المضادة في اختبار تحييد الأجسام المضادة المناعي للفلورة، باستخدام نفس مجموعة الصور، ومقارنة عيار الأجسام المضادة الذي تنبأ به النموذج مع النتائج التي حددها المشغلون البشريون، مع اعتماد نتائج القراءة البشرية كمرجع حقيقي، كما هو موضح في الجدول أدناه:

مقارنة عيار الأجسام المضادة (الوحدات الدولية/مليلتر، IU/mL) الذي تنبأت به نماذج ResNet و SwinT-V2 و Mamba مع نتائج القراءة من قبل المشغلين البشريين لنفس مجموعة العينات

استخدمت الدراسة تحليل Bland–Altman لتقييم الاتساق بين النموذج والمشغلين البشريين، كما هو موضح في الشكل التالي:

مخطط تحليل اتساق Bland–Altman لنتائج تنبؤات نماذج التعلم العميق مقابل قياسات المشغلين البشريين

أظهر ResNet انحيازًا إيجابيًا واضحًا، بمتوسط فرق قدره +0.41، وحدود اتساق (LoA) واسعة تتراوح من −0.71 إلى +1.53. يشير هذا إلى أن ResNet يميل إلى المبالغة في تقدير عيار الأجسام المضادة بشكل منهجي مقارنة بنتائج القراءة البشرية.

من ناحية أخرى، أظهر SwinT-V2 اتساقًا جيدًا، حيث كان متوسط الفرق قريبًا من الصفر (−0.02)، وحدود اتساق ضيقة تتراوح من −0.15 إلى +0.11، مما يدل على قابلية تبديل جيدة لنتائج تنبؤاته مع نتائج القراءة البشرية عبر نطاق القياس الكامل.

تطابقت نتائج تنبؤات MambaOut تمامًا مع نتائج القراءة البشرية، حيث كانت جميع فروق الأزواج صفرًا.

بالنسبة لـ SwinT-V2 و MambaOut، لم يتم العثور على أدلة على الانحياز التناسبي؛ بينما أظهرت فروق ResNet اتجاهًا طفيفًا للزيادة مع ارتفاع عيار الأجسام المضادة.

وفقًا للإرشادات ذات الصلة الصادرة عن منظمة الصحة العالمية (WHO) والمنظمة العالمية لصحة الحيوان (WOAH)، يمكن اعتبار عيار الأجسام المضادة البالغ 0.5 IU/mL دليلًا معقولاً على التحول المصلي بعد التطعيم، وهو أيضًا المعيار المرجعي للامتثال للوائح السفر الدولية للحيوانات الأليفة. استخدمت الدراسة هذا العتبة لتقييم كيفية تأثير الاختلافات في عيار الأجسام المضادة المنبؤ على حكم النتائج في مجموعة العينات التي تغطي النطاق الكامل لعيار الأجسام المضادة.

في جميع عينات المجموعة، كانت تقديرات عيار الأجسام المضادة بواسطة ResNet أعلى بشكل عام من القيم المرجعية الحقيقية، وهو ما قد يؤدي إلى الموافقة بشكل خاطئ على سفر الحيوانات الأليفة التي تعاني من مناعة غير كافية.

كانت نتائج التنبؤ الإجمالية لنموذج SwinT-V2 أقرب إلى التفسير البشري، لكنه صنف العينة رقم 10 بشكل خاطئ على أنها سلبية، على الرغم من أن هذه العينة استوفت معايير الأهلية في الواقع. قد يؤدي ذلك إلى إعادة تطعيم غير ضرورية وتأخير في السفر.

من ناحية أخرى، كانت تنبؤات MambaOut متطابقة تماماً مع التفسير البشري، حيث لم تحدد جميع العينات غير المؤهلة بشكل صحيح فحسب، بل ميزت بدقة أيضاً بين مصل العيار المنخفض والعيار المرتفع، دون أي أخطاء في تحديد العتبات.

بشكل عام، تشير هذه النتائج إلى أن النظام المقترح لا يمكن تطبيقه بفعالية على فحوصات زراعة الخلايا فحسب، بل يمكن توسيع نطاقه ليشمل سير عمل الفحوصات المصلية، مما يدعم مزيداً من التطبيقات في تشخيص داء الكلب والمراقبة المصلية.

الخاتمة

باختصار، يعزز التقدم المحرز في هذا البحث في مجال الكشف عن عدوى فيروس داء الكلب (RABV) الأساس العلمي لتطبيق الرؤية الحاسوبية في أبحاث الخلايا والتجارب التشخيصية، كما يفتح إمكانية توسيع نطاقه ليشمل فحوصات زراعة الخلايا لمسببات الأمراض الفيروسية الأخرى. يسلط هذا البحث الضوء على إمكانات الذكاء الاصطناعي في إحداث تحول في التشخيص المختبري، ويساعد في سد الفجوة بين قدرات التفسير على مستوى الخبراء والتقنيات القابلة للتوسع وسهلة الاستخدام. وبالإضافة إلى المساهمات التقنية، يوضح هذا النهج إمكانات تقنيات التشخيص المدعومة بالذكاء الاصطناعي في تقليل العبء العالمي لمرض داء الكلب. وعلى الرغم من أن الحل الحالي لا يزال يعتمد على معدات متخصصة، إلا أن المنهجية الكامنة وراءه يمكن تكييفها مع منصات أجهزة أكثر إتاحة، مثل الجمع بين المجاهر العادية والكاميرات الرقمية، مما يمهد الطريق لتطوير حلول تشخيصية قابلة للتوسع ومستدامة في المناطق ذات الموارد المحدودة.

المراجع:

https://phys.org/news/2026-10-ai-rabies-world.html
https://www.nature.com/articles/s41598-026-57955-8