كشف طفيلي الملاريا باستخدام التجميعات العصبية الفعالة

يُعدّ الملاريا، التي تُسببها لدغة بعوضة أنوفيليس المُعدية بطفيلية من جنس البلازموديوم، أحد الأعباء الرئيسية على أنظمة الرعاية الصحية على مدى سنوات، حيث يُبلغ عن وفاة ما يقارب 400,000 شخص سنويًا على مستوى العالم. يعتمد التقليدي في تشخيص الملاريا على فحص شريحة الدم المُهَضَّبة تحت المجهر، وهي عملية ليست فقط طويلة ولكنها تتطلب أيضًا خبرة عالية من جانب الأطباء المرضيّين. إن التشخيص المبكر، إلى جانب توفر مرافق تشخيصية قوية وفنيين مختبرات مؤهلين، يُعد أمرًا بالغ الأهمية لتقليل معدل الوفيات. يهدف هذا الدراسة إلى بناء نظام قوي من خلال تطبيق تقنيات التعلم العميق مثل التعلم الناقل (Transfer Learning) وتمثيل المجموعات المتسلسلة (Snapshot Ensembling) لتمكين الكشف التلقائي عن الطفيلي في صور شرائح الدم الرقيقة. تم تقييم جميع النماذج باستخدام المقاييس التالية: دقة (F1 Score)، الدقة (Accuracy)، الدقة الإيجابية (Precision)، الاسترجاع (Recall)، معامل الارتباط ماثيوس (MCC)، ومساحة تحت منحنى الاستجابة التشخيصية (AUC-ROC)، ومساحة تحت منحنى الدقة والاسترجاع (AUC-PR). وقد تفوّقت النموذج المُكوَّن باستخدام تقنية التجميع المتسلسل (Snapshot Ensembling) الذي تم بناؤه من خلال دمج الصور المتسلسلة (Snapshots) لنموذج EfficientNet-B0 المُدرّب مسبقًا، محقِّقًا أفضل أداء مقارنةً بجميع النماذج الأخرى، بتحقيقه معدلًا لدقة F1 بلغ 99.37%، ودقة إيجابية بلغت 99.52%، واسترجاع بلغ 99.23%. تُظهر النتائج الإمكانات الكبيرة التي تمتلكها نماذج التجميع التي تدمج قوة التنبؤ لعدة نماذج ضعيفة لتكوين نموذج واحد فعّال، قادر على التعامل بشكل أفضل مع البيانات الواقعية. كما أظهرت تجربة GradCAM خرائط التنشيط التفاضلي للطبقة التلافيفية الأخيرة، لتوضيح بصريًا المكان والكائن الذي يراه النموذج في الصورة لتصنيفها ضمن فئة معينة. وقد تمكّن النماذج المستخدمة في هذه الدراسة من تنشيط المنطقة المصبوغة التي تحتوي على الطفيلي بدقة في صور شرائح الدم الرقيقة. تُسهم هذه الصور التوضيحية في جعل النموذج أكثر شفافية وقابلية للتفسير، وموثوقية، وهي صفات ضرورية جدًا لتنفيذ النماذج القائمة على الذكاء الاصطناعي ضمن الشبكات الصحية.