الكشف عن اعتلال الشبكية السكري باستخدام الذكاء الاصطناعي القابل للتفسير: نماذج التعلم العميق القابلة للتفسير في الممارسة السريرية

يعتبر اعتلال الشبكية السكري (DR) تهديدًا كبيرًا للرؤية والعمى عالميًا، خاصةً لأولئك الذين لديهم تاريخ طويل مع مرض السكري. حقق التعلم العميق دقة عالية في الكشف عن DR باستخدام صور قاع العين؛ ومع ذلك، فإن طبيعتها "الصندوق الأسود" تعيق تطبيقها في الممارسة السريرية حيث تكون القابلية للتفسير مهمة. في هذا العمل، نقترح حلاً لمشكلة شفافية النموذج من خلال تقديم إطار تشخيص معزز بالذكاء الاصطناعي القابل للتفسير يستخدم الشبكات العصبية التلافيفية (CNNs). نقدم إطارًا للتعلم العميق القابل للتفسير استنادًا إلى شبكة عصبية تلافيفية (CNN)، تحديدًا ResNet-50، التي تم تعديلها بدقة على مجموعة بيانات كشف العمى APTOS 2019. لتقليل فجوة القابلية للتفسير، نستخدم طرق تخيل Grad-CAM وSHAP، التي تنتج خرائط حرارية مميزة للفئات ومخططات تخصيص الميزات على التوالي. أسفرت نتيجة تصنيف اعتلال الشبكية السكري متعدد الفئات (DR) عن دقة إجمالية تبلغ 83% للنموذج. من المهم أن تتجاوز درجة توافق التفسير مع أطباء العيون 78%، مما يشير إلى وجود ارتباط قوي بين الخرائط البارزة القائمة على الذكاء الاصطناعي والمناطق المصابة المشروحة من قبل الخبراء. تظهر نتائجنا أن الذكاء الاصطناعي القابل للتفسير يمكنه ليس فقط الحفاظ على دقة التشخيص ولكن أيضًا تعزيز قابلية تفسير النموذج، مما يجعل أنظمة فحص DR القائمة على الذكاء الاصطناعي أكثر قبولًا وقابلية للاستخدام في الممارسة السريرية. تعزز هذه الدراسة أهمية القابلية للتفسير كجزء لا يتجزأ من تنفيذ الذكاء الاصطناعي الطبي.