الفصل الرابع: تطبيقات الذكاء الاصطناعي في الطب

الصفحة 82

الفصل الرابع :تطبيقات الذكاء الصنعي في مجال الطب -1-4مقدمة

-2-4أمثلة عن تطبيقات تقنيات الذكاء الصنعي في الممارسة السريرية

-3-4أمثلة عن تطبيقات تقنيات الذكاء الصنعي في مجال طب العيون

-4-4أمثلة عن تطبيقات الذكاء الصنعي للكشف عن القرنية المخروطية

82

الصفحة 83

-1-4مقدمة:

يهدف استخدام تقنيات الذكاء الصنعي في مجال الطب إلى الكشف عن المعلومات المخفية المفيدة من البيانات والمساعدة في اتخاذ القرارات السريرية ،حيث تستطيع تقنيات الذكاء الصنعي القيام بالعديد من الوظائف مثل المساعدة في التشخيص واختيار العالج المناسب وتقدير الخطورة إضافة لتصنيف األمراض وإنقاص األخطاء الطبية وتحسين اإلنتاجية.

تتنوع مصادر البيانات الممكن استخدامها على سبيل المثال :المعلومات الديموغرافية ومالحظات مزود الخدمة الطبية والصور الطبية ونتائج التحاليل الطبية واالختبارات الوراثية وسجالت األجهزة الطبية أو األجهزة القابلة لالرتداء مثل الساعات الذكية .إن التوفر الحالي السهل لهذه البيانات عبر السجالت الطبية االلكترونية واألجهزة الذكية (هاتف وساعات ذكية مثال) المزودة بحساسات وإمكانيات الربط الشبكي والتخزين السحابي فتح الباب واسعاً إلمكانيات غير مسبوقة في إدارة المعلومات الطبية على انتهاء بالسياسات الصحية ومراكز القرار. جميع المستويات بدءاً من المريض والطبيب والمشفى و ً فيما يلي شكل يظهر عدد الدراسات المنشورة في كل سنة في موقع Pubmedحول موضوع الذكاء الصنعي والتعلم العميق وتعلم اآللة حتى تاريخ ،2021-6-22يبدو بشكل جلي االهتمام المتزايد بالذكاء الصنعي وتطبيقاته في مجال الطب(.شكل )36

83

الصفحة 84

-2-4أمثلة عن تطبيقات تقنيات الذكاء الصنعي في مجال الممارسة السريريةExamples of :

applications of AI techniques in clinical practice -1-2-4كأداة مسحScreening Tool : •من خالل تحليل الصور الطبية الشعاعية (صورة بسيطة أو طبقي) وتحديد احتمالية وجود مرض وضرورة تفسير الموجودات من قبل أخصائي األشعة .ولعل أهم تطبيق يمكن ذكره هنا هو استخدام الذكاء الصنعي لمسح الصور الشعاعية من أجل الكشف عن مرضى COVID- (Minaee, Kafieh, Sonka, Yazdani, & Jamalipour Soufi, 2020; Shi et .19 )al., 2020 •تحليل صور قعر العين لتحديد الحاالت المهددة للنظر والتي يجب تحويلها ألخصائي عيون. من األمثلة عليها نظام IDx‐DRالمرخص من ال FDAلمسح صور الشبكية وتحديد المرضى الواجب تحويلهم ألخصائي والمرضى الذين لديهم اعتالل مهدد للرؤية(Van Der Heijden . )et al., 2018 •ومن األمثلة أيضاً في بريطانيا تم استخدام تطبيق محادثة مبني على الذكاء الصنعي هدفه التفريق بين المرضى الذين يحتاجون فقط للتطمين والمرضى الذين يجب تحويلهم للفحص من قبل طبيب وبالتالي تقليل الضغط على نظام الرعاية الصحية وتوجيه الموارد لمستحقيها(W. . )Wang & Siau, 2018 •تشخيص األورام الجلدية كالميالنوما وتمييزها عن الوحمات وبدقة عالية مكافئة للخبراء. ()Esteva et al., 2017

-2-2-4كأداة لتقدير االنذارPrognosis Estimating Tool :

•مثالً تقدير مدة البقيا بعد عالج ميالنوما مشيمية ( Damato, Eleuteri, Fisher, )Coupland, & Taktak, 2008 •أو تقدير مدة البقيا ومعدل النكس عند مرضى ورم ثدي ( Cirkovic, Cvetkovic, Ninkovic, )& Filipovic, 2015

84

الصفحة 85

-3-2-4كأداة مساعدة في العالجTreatment Aiding Tool:

•المساعدة في التخطيط للعالج الشعاعي بحيث يتم إنقاص تعرض النسج الطبيعية للحد األدنى. ()C. Wang, Zhu, Hong, & Zheng, 2019 •المساعد في تحديد استراتيجيات العالج المثلى عند مرضى االنتان الموجودين في العناية المشددة .حيث ال توجد بروتوكوالت واضحة وصريحة لبعض الحاالت فيتم تحديد االجراء األفضل عبر التعليم المعزز(Komorowski, Celi, Badawi, Gordon, & Faisal, . )2018

-4-2-4كبديل لمزود الرعاية الصحيةAn alternative to the healthcare provider :

من المستبعد في المدى المنظور أن يحل الذكاء الصنعي محل الطبيب بشكل كامل ،لكنه قد يؤدي مهاما معينة بتناسق وسرعة وتَناتُج أكثر من البشر .على سبيل المثال: ً •تقدير العمر العظمي لصورة شعاعية) (Tajmir et al., 2019حيث حقق الذكاء الصنعي نتائج أفضل من متوسط نتائج مجموعة من الشعاعيين. •تشخيص بعض أمراض الشبكية بواسطة صورة )De Fauw et al., 2018( OCTحيث حقق الذكاء الصنعي قدرة تصل أو حتى أنها تتفوق على الخبراء لتحديد الحاالت المهددة للرؤية، إضافة لتحقيق نتائج مشابهه عند تطبيقه على صور من أجهزة تجارية متعددة. •تقدير مدى تضيق األوعية وبعض المقاييس األخرى على صور للعضلة القلبية (Slomka ) et al., 2017كصور الومضان و الطبقي المحوري وااليكو والمرنان القلبي.

المهام السابقة تعتبر غير معقدة لكنها قد تستغرق وقتاً يمكن توفيره على مزود الرعاية الصحية ليتفرغ لمهام أكثر تعقيدا.

-5-2-4كداعم لمزود الرعاية الصحيةAs a supporter of a healthcare provider :

حيث وجدت العديد من الدراسات أن التآزر بين الذكاء الصنعي ومزود الخدمة الصحية يعطي نتائج أفضل مقارنة بكل منهما على حدى ،ويعزز القدرة على دعم القرار السريري بالوقت الفعلي مما يحسن (Sitapati et al., دقيقة2017). صحية رعاية نحو المبذولة الجهود

85

الصفحة 86

-3-4أمثلة عن تطبيقات تقنيات الذكاء الصنعي في مجال طب العيونExamples of :

applications of AI techniques in ophthalmology يظهر الشكل التالي عدد الدراسات المنشورة في كل سنة في موقع Pubmedحول موضوع الذكاء الصنعي والتعلم العميق وتعلم اآللة وطب العيون حتى تاريخ ،2021-6-22يبدو بشكل جلي االهتمام المتزايد بالذكاء الصنعي وتطبيقاته(.شكل )37

فيما يلي سنذكر أهم الدراسات ألهم األمراض في مجال طب العيون التي تم تطبيق تقنيات الذكاء الصنعي عليها والتي يبين الشكل التالي ترتيبها حسب عدد الدراسات المجراة(.شكل )38

86

الصفحة 87

-1-3-4اعتالل الشبكية السكريDiabetic Retinopathy:

نظام IDx-DRيعتبر أهم التطبيقات العملية في هذا المجال ألنه دخل المجال التجاري مع ترخيص من هيئة الغذاء والدواء األمريكية إلجراء المسح عن اعتالل الشبكية السكري لدى المرضى السكريين فوق عمر 21سنة في مراكز الرعاية األولية دون وجود طبيب عيون ،فهو يتميز بكونه إجراء غير غاز واليحتاج لتوسيع حدقة حيث حقق النظام دقة عالية على أرض الواقع تقترب من %90في الكشف عن الحاالت الواجب تحويلها ألخصائي(Van Der Heijden et al., 2018). تم تدريب النظام باستخدام قاعدة بيانات تحوي 128175صورة واختباره على قاعدة بيانات تحوي 9963صورة تم قراءة الصور التدريب من قبل 54طبيب عينية مجاز من هيئة البورد األمريكية أو في السنة الرابعة لالختصاص بمعدل 7-3طبيب لكل صورة ،أما لمجموعة االختبار تم اختيار أفضل 7 أطباء من حيث توافق القراءة . تم استخدام الشبكات العصبونية الصنعية مع شبكة مدربة مسبقاً Inception-v3على قاعدة بيانات ImageNetمع تقنية batch normalizationلتسريع عملية التعلم .وفيما يلي شكل يظهر مخطط ROC Curveللشبكة مقارنة بأطباء العينية السبعة (شكل (Gulshan et al., 2016).)39

87

الصفحة 88

-2-3-4الزرقGlaucoma:

•قام لي وزمالؤه بالقيام بدراسة للكشف عن اعتالل العصب البصري الزرقي ،تم تدريب نموذج الذكاء الصنعي بواسطة قاعدة بيانات لصور لقعر العين مكونة من 48116صورة منها 8000 صورة لالختبار .حقق النموذج دقة عالية وصلت ل %98.6وكان أكثر أسباب السلبية الكاذبة الحسري المرضي والعالي وااليجابية الكاذبة الحسر المرضي وزيادة التقعر الفزيولوجيةLi et ( . )al., 2018 •قام محمد وزمالؤه بدراسة للكشف عن حاالت مشكوك فيها لزرق مفتوح الزاوية ،تم اعتماد صورة swept-source OCTلخرائط متعددة .حققت خريطة RNFLدقة عالية %93.1 مقابل دقة أقل لل OCTو الساحة البصرية التقليديين)Muhammad et al., 2017(. •قام اساوكا وزمالؤه بدراسة لتمييز الساحات ماقبل الزرقية عن الساحات الطبيعية ،تتألف قاعدة البيانات من 171صورة ساحة وتم االعتماد علة خريطة االنحراف الكلي ومتوسط االنحراف واالنحراف المعياري كمدخالت لشبكة عصبونية تقدمية .حققت الشبكة العصبونية دقة %92.6 للكشف عن الساحات ماقبل الزرقية)Asaoka, Murata, Iwase, & Araie, 2016(.

88

الصفحة 89

-3-3-4اعتالل اللطخة الشيخيAge Related Macular Degeneration:

تعددت أنواع الدراسات التي ركزت على اعتالل اللطخة الشيخي بدأَ من تشخيصه عبر صور ال OCT ( ،)Treder, Lauermann, Eter, & Ophthalmology, 2018وتشخيص التنمي الوعائي الفعال ( ، )Chakravarthy et al., 2016والتنبؤ بمقدار الحاجة لتكرار الحقن في المستقبل (Bogunović ) ،et al., 2017وتقدير الحاجة الحالية لحقن مضادات التنمي الوعائي(Prahs et al., 2018).

-4-3-4السادCataract :

•في مجال تشخيص الساد ،نجح غاو ببناء شبكة عصبونية لتشخيص الساد الشيخي وتحديد درجته بدقة عالية )Gao, Lin, & Wong, 2015( .لعل استخدام الذكاء الصنعي للمسح عن حاالت الساد الوالدي له أهمية بالغة لمنع حاالت العمى الناجمة والتي يمكن الوقاية منها بالتشخيص الباكر(Liu et al., 2017). •كما أن للذكاء الصنعي دور في الجيل الجديد من المعادالت المستخدمة لقياس قوة العدسة داخل العين مثل معادلة Hill-RBFو Kaneو (Cheng et al., .PEARL-DGS ) 2020تعتبر معادلة Hill-RBFاألشهر وهي موجودة على االنترنت من خالل ملء المدخالت التالية الطول األمامي الخلفي للعين وعمق الغرفة األمامية وقيم تحدبات القرنية مع المحور ويضاف لها لزيادة الدقة سماكة القرنية المركزية وسماكة العدسة والمسافة من اللم إلى اللم ( ،)White to Whiteوتبلغ دقتها في قياس دقة العدسة ضمن مجال نصف كسيرة %71.2 وهي مشابهة إن لم تكن أفضل من معادالت الجيل الثالث والرابع (.)Darcy et al., 2020

-5-3-4متفرقات:

•التنبؤ بعوامل الخطورة القلبية الوعائية عبر صورة قعر العين ،حيث استطاع بوبلين وزمالؤه من تدريب شبكة ذكاء صنعي تستطيع عبر صورة قعر العين التنبؤ بعمر المريض وجنسه وإن كان مدخنا والضغط الجهازي وتعرضه السابق لحوادث قلبية(Poplin et al., 2018). •استطاع زوهو وزمالؤه من بناء نظام ذكاء صنعي يستطيع كشف التغيرات الشبكية الموجودة في داء الزهايمر والتي ال يستطيع الفاحص البشري اكتشافها .وتم تسجيل براءة اختراع لهذا الكشف)Zhou, Sinai, Moore, & Wong, 2006( .

89

الصفحة 90

وأخيراً فإن ماسبق هو عينة صغيرة الستخدامات الذكاء الصنعي في مجال طب العيون وسنفرد بحث مستقل مفصل ألهم استخدامات الذكاء الصنعي في مجال تشخيص القرنية المخروطية.

90

الصفحة 91

-4-4أمثلة عن تطبيقات الذكاء الصنعي للكشف عن القرنية المخروطيةExamples of :

AI applications to detect keratoconus فيما يلي أهم الدراسات عن تطبيقات الذكاء الصنعي للكشف عن القرنية المخروطية .وفي النهاية نورد جدولين يلخصان هذه الدراسات من حيث الخوارزمية المستخدمة والعينة المدروسة والنتائج وايجابيات وسلبيات كل دراسة(.جدول )5-4

-1-4-4تشخيص القرنية المخروطية باستخدام الخصائص الميكانيكية الحيوية للقرنية

وخوارزميات االنحدارDiagnosis of Keratoconus Using Corneal : Biomechanics and Regression Algorithms Corvis® STجهاز يسجل ارتكاس القرنية لنبضة هواء محددة بواسطة كاميرا شيمفلوغ عالية الدقة تلتقط 4300صورة خالل ثانية مما يسمح بقياس دقيق لسماكة القرنية ولضغط العين إضافة لقياس الخصائص الميكانيكية الحيوية للقرنية(Roberts, 2016). أهم مؤشرين يستخدمان للكشف عن الحاالت الباكرة من القرنية المخروطية (شكل (Ambrósio :)40 )et al., 2017; Renato, 2016; Riccardo, 2016 Corvis Biomechanical Index (CBI) •وتم بناؤه بناء على نموذج انحدار باالعتماد على المعلومات التي يلتقطها جهاز Corvisفقط. Tomography and Biomechanical Index (TBI) •وتم بناؤه باستخدام نموذج انحدار وخوارزمية الغابة العشوائية ،Random Forestفهو يدمج بين المعلومات المأخوذه من جهاز ال Corvisو ال .Pentacam TBIأدق من %98.5( CBIو %88.2على الترتيب) ،لكن كال المؤشرين السابقين لهما سلبية كاذبة وإيجابية كاذبة لذلك اليمكن ضمان عدم تطور تمدد بعد الجراحة االنكسارية بنسبة %100في حال كان هذان المشعران ضمن القيم الحدية ( 0.5و 0.29على الترتيب)(Fernández, Rodríguez- )Vallejo, & Piñero, 2019

91

الصفحة 92

)Oculus, 2021(CBI & TBI 40 شكل

92

الصفحة 93

-2-4-4تشخيص القرنية المخروطية باستخدام آلة الشعاع الداعم ( Suport Vector

)Machine هي إحدى خوارزميات التعلم تحت اإلشراف تهدف إلى تصنيف مجموعة من النقاط تمثل مجموعة التدريب والموجودة في فضاء مكون من nبعد عبر سطح فاصل فائق مكون من n-1بعد بحيث تكون المسافة بين أقرب نقطتين من صنفين مختلفيين أكبر ما يمكن ،فمثالً يتم الفصل بين مجموعتين نقاطها ممثلة في فضاء ثنائي البعد عبر خط مستقيم(Cortes & Vapnik, 1995). اعتمد جهاز SIRIUSعلى هذه الخوارزمية من أجل تصنيف الصور عبر مجموعة من المؤشرات ذكرناها سابقا بالتفصيل ( ),THKmin ,RMS(HOA) ,BCVb ,BCVf ,RBFf ,Sib Sifإلى أربع مجموعات (صورة متوافقة مع قرنية مخروطية ،مشكوك بها ،طبيعية ،غير طبيعية) .حققت هذه الخوارزمية دقة تجاوزت %97في التصنيف ()Arbelaez et al., 2012 كما تم إجراء دراسة قارنت قدرة 25خوارزمية على تصنيف صور لقرنيات مأخوذة بجهاز AS-OCT ( ،)CASIA SS-1000, Tomeyحيث تم اختيار أفضل ثمانية مؤشرات من حيث القوة التمييزية ووجد أن خوارزمية SVMحققت أفضل دقة Lavric, Popa, Takahashi, & Yousefi, ( .%93.6 )2020

-3-4-4تشخيص القرنية المخروطية باستخدام الشبكات العصبونية التلفيفية:

KeratoDetect •تم تطويره في جامعة ستيفان سل ماري – رومانيا الهدف منه الكشف عن القرنية المخروطية باستخدام الشبكات العصبونية التلفيفية .تم تدريب النموذج على 3000 صورة قرنية مولدة على أساس نموذج صنعي وليست صور لمرضى حقيقيين وهذا من نقاط ضعفها ،كما أنه تم االعتماد فقط على خرائط التحدبات .حققت دقة مقدارها %99.33لتصنيف القرنية على أنها طبيعية أو قرنية مخروطية في مجموعة االختبار(Lavric & Valentin, . )2019

•تم إجراء دراسة في جامعة كيتاساتو في اليابان للكشف عن القرنية المخروطية باستخدام الشبكات العصبونية التلفيفية .تم استخدام 6خرائط (تحدبات أمامية وخلفية وارتفاعات أمامية وخلفية وخريطة القوة الكاسرة الكلية وخريطة الثخانة) تم التقاطها باستخدام جهاز CASIA ( AS-OCT .)SS-1000, Tomeyتم تدريب 6نماذج (مبنية على أساس نموذج مدرب سابقا ResNet- )18على 304صورة لقرنية مخروطية و 239صورة لقرنية طبيعية والنتيجة النهائية كانت

93

الصفحة 94

متوسط نتائج النماذج الستة ،وخلصت الدراسة إلى أن دقة النموذج الكلية %99.1و أن أدق خريطة هي االرتفاعات الخلفية %99.3تليها التحدبات الخلفية (Kamiya et .%99.1 )al., 2019

•تم إجراء دراسة في جامعة تايوان الوطنية ،تم التدريب باستخدام 354صورة عائدة ل 206 مريض مأخوذه باستخدام TMS-4 videokeratoscopeلشركة تومي .تم تدريب ثالث نماذج مبنية على أساس شبكات مدربة سابقاً ( VGG16و InceptionV3و )ResNet152من أجل تسريع عملية التعليم .ثم قسمت الصور لثالث مجموعات طبيعية ومخروطية وتحت سريريةـ ،استخدم أول صنفين لعملية التدريب والمجموعات الثالثة في عملية االختبار .حقق نموذج ResNet152أعلى دقة %95.8بينما حقق اآلخران دقة .%93.1وتم تقييم القدرة على التنبؤ بالحاالت غير السريرية وكانت النتائج غير مشجعة %28.5عند نقطة حدية %50 الحتمالية اإلصابة .كما تم رسم خرائط المالمح التمييزية pixel-wise discriminative featuresوالخرائط الحرارية class-discriminative heat mapsوهي تساعد في فهم كيفية عمل الشبكات العصبونية وتلفت انتباه الفاحص البشري لمكان الخلل في الصورة مما قد يزيد دقة القراءة (شكل )Kuo et al., 2020(.)41

•تم إجراء الدراسة في جامعة أسيوط (مصر) ،تم التدريب على 2574صورة واالختبار على 644صورة مأخوذه بجهاز البنتاكام .تم اعتماد خريطة االرتفاعات األمامية والخلفية والتحدبات 94

الصفحة 95

األمامية السهمية والثخانة وصورة تجمع الخرائط األربعة لتدريب خمس نماذج .تم االعتماد على نموذج مكون من طبقتين تلفيفيتين ومن ثم شبكة عصبونية مكونة من أربع طبقات قبل طبقة الخرج .خلصت الدراسة إلى أن دقة الخريطة الرباعية %98.9تليها خارطة االرتفاعات الخلفية .%97.7كما تم دراسة الخرائط الحرارية كما في الدراسة السابقةAbdelmotaal et al., (. )2020 جدول 4مقارنة بين الدراسات السابقة(عدا شبكات )CNN السلبيات االيجابيات النتائج طرق الدراسة الخوارزمية الدراسة المستخدمة دراسة تراجعية CORVISجهاز Sen 94.3% دراسة تراجعية للتمييز بين قرنية خوارزميات CBI(Vinciguerra لم تدرس فريد من نوعه Spe 97.5% طبيعية االنحدار )et al., 2016 القرنيات AUC 97.7% ()478والمخروطية()180 المشتبهة ACC 88.2% وجدت بعض الدراسات إيجابيات وسلبيات كاذبة دراسة تراجعية يجمع بين إمكانيات تم تحديد قيمة دراسة تراجعية للتمييز بين قرنية خوارزميات TBI(Ambrósio وجدت بعض جهاز الCORVIS حدية 0.29 طبيعية( )480وقرنية االنحدار و )et al., 2017 الدراسات و ال لكشف FFKC مخروطية)(204و قرنية خوارزمية إيجابيات PENTACAM AUC 98.5% مخروطية الغابة وسلبيات Sen 90.4% أحادية الجانب( 72قرنية العشوائية كاذبة Spe 96% مخروطية و 72قرنية مخروطية مجهضة) دراسة تراجعية تم التدريب على KC (ACC دراسة تراجعية للتمييز بين قرنية SVM مصنف SIRIUS عدد مشعرات من الوجه 98.2% Sen مخروطية( )877وقرنية (Arbelaez et المشعرات األمامي والخلفي 95% Spe طبيعية()1259و قرنية مخروطية )al., 2012 المستخدمة للقرنية تم اعتماد )99.3% تحت سريرية()426و قرنية مجرى قليل نسبيا جهاز SUBCLINCAL لها سابقا جراحة انكسارية()940 لتجنب حدوث SIRIUS(Placido (ACC 97.3% فرط مالءمة )+ Schiemflug Sen 92% Spe وهو أحد ))97.7% محدودات SVM

95

الصفحة 96

جدول 5مقارنة بين الدراسات السابقة (شبكات )CNN السلبيات االيجابيات النتائج طرق الدراسة الخوارزمية الدراسة المستخدمة الصور المستخدمة ACC 99.33% تم توليد صور عبر الشبكات KeratoDetect(L ليست صور مرضى نموذج صنعي ،قرنية العصبونية & avric حقيقيين طبيعية()1500 التلفيفية Valentin, الخرائط المستخدمة لم وقرنية )2019 تذكر بشكل واضح مخروطية()1500 يغلب انها اقتصرت على خرائط التحدب لم تتم دراسة الحاالت اعتمدت جهاز AS- دقة اجمالية دراسة تراجعية للتمييز الشبكات (Kamiya et al., المشتبهة OCT %99.1 بين قرنية العصبونية )2019 شملت 6خرائط خارطة االرتفاعات طبيعية( )239وقرنية التلفيفية اعتمدت على نموذج الخلفية هي األدق مخروطية()304 مدرب مسبقا %99.3تليها RASNET-18 التحدبات الخلفية %99.1 تم استخدام تم استخدام نماذج حققت دراسة تراجعية لتمييز الشبكات ( Kuo et al., Videokeratosco مدربة مسبقا ResNet152 صور لقرنيات تحت العصبونية )2020 peوهو ال يعطي (VGG16 أعلى دقة %95.8 سريرية (( )28عينة التلفيفية معلومات دقيقة عن و InceptionV3و في عملية التدريب االختبار) الوجه الخلفي للقرنية )ResNet152 أما على عينة حيث تم التدريب االعتماد فقط على تم رسم خريطة االختبار حقق على صور قرنية خريطة التحدب المالمح التمييزية النموذج نتائج غير مخروطية()170 األمامي والخرائط الحرارية لفهم مشجعة %28.5 وقرنية طبيعية()156 كيفية عمل النموذج المدرب دراسة تراجعية تم االعتماد على أربع الخريطة الرباعية دراسة تراجعية للتمييز الشبكات ( Abdelmotaal ال يوجد مجموعة خرائط منفردة ثم أدق الخرائط بين القرنية العصبونية )et al., 2020 اختبار مستقلة. مجتمعة في صورة %98.9تليها المخروطية()1038 التلفيفية لم تتضمن حاالت واحدة (ارتفاعات خريطة االرتفاعات والقرنية مشتبه بها وإنما امامية وخلفية الخلفية %97.7 الطبيعية()1108 حاالت تحت سريرية والتحدب األمامي والقرنية المخروطية أو مجهضة والثخانة) تحت السريرية أو نظام PENTACAM مجهضة()1072 تم دراسة الخرائط الحرارية لفهم كيفية عمل النموذج مجموعات التدريب نموذج جديد مقترح حقق النموذج دراسة تراجعية لجمع الشبكات دراستنا والتحقق واالختبار من قبلنا لبنية الشبكة دقة\F1-score عينة التدريب والتحقق العصبونية غير متوازنة اعتماد مبدأ نقل (94.5%- ومقطع مستعرض التلفيفية AS-OCTيعتبر المعرفة )94.3% لجمع عينة االختبار أدق من SIRIUS زيادة البيانات أفضل الشبكات: تم تصنيف القرنيات التدريب على صور االرتفاعات األمامية في ثالث فئات: حقيقية تليها الخلفية تليها تدريب:مخروطية(55 حجم عينة كبير نسبي ًا القوة الكاسرة )9وطبيعية ()1217 استخدام مجموعة األمامية ثم المكافئة ومشتبه بها(.)167 اختبار مستقلة اختبار:مخروطية(13 جهاز SIRIUS ) وطبيعية ()366 دراسة الخرائط ومشتبه بها(.)43 الحرارية دراسة القراءة بالمساعدة

96

أشكال موثقة في قائمة الأشكال

لم يظهر موضع تسمية هذه الأشكال بوضوح في استخراج PDF؛ تُعرض هنا كأصول أشكال مستخرجة من PDF الأصلي مع الحفاظ على رقم الصفحة.