كشف متعدد الأمراض في التصوير الشبكي المستند إلى تجميع نماذج التعلم العميق غير المتجانسة

الإعاقات البصرية القابلة للوقاية أو غير المُشخصة، والعمى يُصيب ملايين الأشخاص حول العالم. تُظهر نماذج الكشف التلقائي عن الأمراض المتعددة إمكانات كبيرة لمعالجة هذه المشكلة من خلال دعم اتخاذ القرار السريري في التشخيص. في هذه الدراسة، قُمنا بتطوير نموذج مبتكر للكشف عن الأمراض المتعددة في صور الشبكية، يعتمد على تجميع التعلم (Ensemble Learning) لدمج قدرات التنبؤ الخاصة بعدة نماذج متعددة من الشبكات العصبية العميقة ذات التحويل التلقائي (Deep Convolutional Neural Networks) مختلفة في البنية. يشمل نموذجنا استراتيجيات حديثة من الدرجة الأولى، مثل التعلم القائم على النقل (Transfer Learning)، ووزن الفئات، والتحديث الزمني الحقيقي للصور، واستخدام خسارة التركيز (Focal Loss). بالإضافة إلى ذلك، قمنا بدمج تقنيات تجميع التعلم، مثل النماذج العميقة المتنوعة، وتقنيات التجميع (Bagging) عبر تقسيم التحقق المتقاطع (5-fold cross-validation)، ونماذج الانحدار اللوجستي المكدسة (Stacked Logistic Regression). من خلال التقييم الداخلي والخارجي، تمكنّا من التحقق من دقة وموثوقية نموذجنا العالي، كما أظهرنا قابليته للمقارنة مع النماذج الأخرى من الطراز الرائد في مجال التنبؤ بأمراض الشبكية.