التعلم متعدد المهام العميق للكشف عن استجابة التردد البصري ورسم الخرائط للرد البصري

يُعدّ المُيَّعُ (Glaucoma) مرضًا في العين يظهر دون ظهور أعراض في المراحل المبكرة، ويؤدي التشخيص المتأخر إلى تدهور غير قابل للعكس في خلايا الخلايا العصبية الشبكية. يُعدّ التقييم التلقائي القياسي (Standard automated perimetry) المعيار الذهبي لتقييم مرض المُيَّع، لكن الفحص يعتمد على عناصر ذاتية، حيث يمكن أن تتغير الاستجابات بين كل مرة يتم فيها إجراء الاختبار، مما يُعقّد بشكل كبير تفسير النتائج. في هذه الدراسة، نقدّم نهجنا الذي يهدف إلى توفير تشخيص سريع في نقطة الرعاية للمرضى المصابين بالمُيَّع، وذلك بحذف الجوانب المعرفية المُشتركة في التقييم الحالي للحقل البصري. على عكس الأساليب الحالية التي تركز في الغالب على دقة اكتشاف الهدف المركزي (البؤري)، استخدمنا بنية تعلم متعدد المهام (multi-task learning architecture) لالتقاط الإشارات بشكل فعّال من البؤرة والهدف المجاور في الرؤية المحيطية في نفس الوقت، مما يُنتج خريطة استجابة بصرية. علاوةً على ذلك، صممنا وحدة تعلم متعدد المهام تتعلم مهام متعددة بالتوازي بشكل فعّال. وقد قُمنا بتقييم نموذجنا التصنيفي على مجموعة بيانات مكوّنة من 40 فئة، حيث حقق دقة بنسبة 92% ودرجة F1 بنسبة 95%. ويمكن لنموذجنا أن يعمل في سيناريوهات خالية من المعايرة ومستقلة عن المستخدم، وهي صفة مرغوبة جدًا في التشخيص السريري. يُمكن أن يُعدّ النهج المقترح خطوة أولى نحو تقييم موضوعي لحقل الرؤية لدى مرضى المُيَّع.