اگه اسم غدد میبومین یا همون Meibomian Glands به گوشت خورده، احتمالاً بدونی که این غدد کوچولو دور لبه پلک چشمهامون هستن و کارشون تولید یه لایه چربیه که اشک چشم رو روون نگه میداره.
حالا وقتی این غدد درست کار نکنن، میگن که طرف دچار “Dysfunction of Meibomian Glands” یا به اختصار MGD شده، یعنی اختلال عملکرد غدد میبوم. این میتونه باعث خشکی چشم و کلی اذیت بشه.
ولی موضوع بحث ما اینه که جدیداً پژوهشگرها سراغ تکنولوژیهای ناب رفتن و با هوش مصنوعی سراغ شناسایی و درجهبندی این مشکل افتادن! یعنی کار رو گذاشتن دست Deep Learning، یه شاخه از هوش مصنوعی که توی یادگیری از دادههای تصویری و ساخت مدلهای دقیق واقعاً بینظیره.
تو این تحقیق سهتا مدل معروف یادگیری عمیق به نامهای DeepLabV3+، U-Net و U-Net++ رو برداشتن، روی عکسهای مادون قرمز (Infrared) از غدد میبوم اجرا کردن تا این غدد رو توی عکسها جدا کنن و کمیتهاشون رو بسنجن. جدا کردن تصویر یا “Image Segmentation” یعنی مدل تشخیص بده دقیقاً غدد کجان و دورشون رو بکشه!
حالا این بچهها فقط به اینکه غدد مشخص بشن اکتفا نکردن، بلکه کلی شاخص کمّی رو هم از این دادهها بیرون کشیدن:
- شاخصهای مورفولوژیک (یعنی مربوط به شکل)، مثل اندازه، طول، عرض غدد، پیچخوردگیها و …
- شاخصهای توزیعی (یعنی چطور غدهها پخش شدن)، مثل چگالی غدد، تعداد، فاصله بینشون، میزان بینظمی و نسبت غدد از دست رفته.
یه بخش جذابش اینجاست که یه سری تحلیل آماری هم انجام دادن، مثلاً با تحلیل همبستگی اسپیرمن (Spearman Correlation، یعنی سنجش رابطه بین دوتا متغیر)، فهمیدن این شاخصها ارتباط خیلی خوبی با شدت مشکل غدد میبوم دارن. ضریب همبستگی شاخصها بین 0.26 تا 0.58 بوده (هرچی به 1 نزدیکتر باشه یعنی ارتباط قویتر!) و همه هم به لحاظ آماری معتبر بودن (p<0.001 یعنی احتمال اینکه اینا تصادفی باشه، خیلی کمه).
بعد اومدن با نمودارهای جعبهای (Box Plot) نشون دادن که چطور توی هر درجه از بیماری این شاخصها فرق دارن: هرچی بیماری پیشرفت میکنه، محدوده شاخصها بزرگتر و پراکندگی بیشتر میشه و دیتای عجیبتر یا Outlier هم بیشتر دیده میشه. یعنی شکل و تعداد غدد به وضوح با شدت بیماری تغییر میکنن.
یه مرحله جالب دیگه هم هست، اینکه با این شاخصها مدلهای تشخیص ساختن. اومدن مدلهای رگرسیون لجستیک ساختن (Logistic Regression، یه مدل آماری برای دستهبندی)، و عملکردش رو با معیار AUC یا Area Under the Curve بررسی کردن. این عدد نشون میده مدل چقدر خوب میتونه بین افراد سالم و بیمار فرق بذاره. مثلاً برای 4 درجه شدت بیماری MGD، AUCها اینطور بودن:
- درجه 0: 0.89±0.02
- درجه 1: 0.76±0.03
- درجه 2: 0.85±0.02
- درجه 3: 0.94±0.01
هرچی این عدد به 1 نزدیکتر باشه یعنی مدل بهتره، و خب این نتایج نشون میدن دقت مدلها خیلی خوب بوده. حتی اگه میانگین میکرو (micro-average) و ماکرو (macro-average) بگیریم، به ترتیب 0.87 و 0.86 میشن که باز هم عالیه.
برای اینکه مطمئن بشن مدلشون فقط روی همین دادهها خوب جواب نمیده، اعتبارسنجی متقاطع پنجمرحلهای یا “5-fold cross-validation” انجام دادن. یعنی دادهها رو پنج قسمت میکنن و هر بار بخشی رو برای آموزش و بخشی رو برای تست استفاده میکنن تا مطمئن شن مدل پایداره و برای دادههای جدید هم جواب میده.
در کل این تحقیق نشون میده یادگیری عمیق چقدر میتونه توی چشمپزشکی کمک کنه: هم تشخیص بهتر و دقیقتر و هم درجهبندی عینی شدت بیماری. پس اگه چند سال دیگه دیدی پزشک با نگاه کردن به عکس مادون قرمز چشم و یه برنامه کامپیوتری، دقیق مشکل غدد میبوم رو برات تشخیص داد، بدون که ریشهاش همین تحقیقات باحال و پیشرفتهست!
منبع: +
