عيون مفتوحة على مصراعيها: كيف يمكن لإطار عمل كارباثي *للبحث التلقائي* أن يُدمقرط أبحاث الجلوكوما — خريطة طريق لاكتشاف يقوده المرضى ويعتمد على الذكاء الاصطناعي في استعادة البصر

عيون مفتوحة على مصراعيها: كيف يمكن لإطار عمل البحث التلقائي لكارباثي أن يُدمقرط أبحاث الجلوكوما

مقدمة

الجلوكوما (الماء الأزرق) هي اعتلال عصبي بصري مزمن يدمر تدريجياً الخلايا العصبية الشبكية (RGCs) ويؤدي إلى فقدان البصر الذي لا رجعة فيه. يؤثر المرض على ملايين الأشخاص حول العالم – قُدر عددهم بنحو 64.3 مليون شخص في عام 2013، ومن المتوقع أن يرتفع إلى أكثر من 110 مليون بحلول عام 2040 (physionet.org). ومما يثير القلق أن حوالي نصف الحالات تظل غير مشخصة حتى يبدأ فقدان البصر بالفعل (physionet.org). يركز رعاية الجلوكوما التقليدية على خفض ضغط العين (IOP) من خلال الأدوية أو الجراحة، لكن هذه العلاجات لا يمكنها عكس الضرر أو منع العمى بالكامل (pmc.ncbi.nlm.nih.gov) (physionet.org). ونتيجة لذلك، هناك حاجة ملحة لاكتشافات جديدة في مجالات مثل الحماية العصبية، وتجديد الخلايا العصبية الشبكية/العصب البصري، والعلاجات الجينية والخلوية المبتكرة. ومع ذلك، لا تزال الأبحاث الأكاديمية وأبحاث شركات الأدوية في هذه المجالات تعاني من نقص الموارد، ويرجع ذلك جزئياً إلى أنها جهود طويلة الأجل وعالية المخاطر. في غضون ذلك، تعمل التطورات في التعلم الآلي (ML) والذكاء الاصطناعي (AI) على تمكين مقاربات جديدة لتحليل البيانات والتصميم التوليدي.

تشير الأعمال الحديثة (على سبيل المثال، مشروع "البحث التلقائي" لأندريه كارباثي (www.theneuron.ai) (medium.com)) إلى أن وكلاء الذكاء الاصطناعي يمكنهم تشغيل مئات التجارب الصغيرة بشكل مستقل على وحدة معالجة رسومات واحدة بناءً فقط على تعليمات بسيطة عالية المستوى. في هذا النموذج، يكتب الإنسان ملف program.md قصيرًا يصف الهدف البحثي، ويقوم وكيل الذكاء الاصطناعي بتعديل النموذج أو المعلمات الفائقة تكرارياً، وتشغيل عمليات تدريب مدتها 5 دقائق، مع الاحتفاظ بالتغييرات الناجحة، وتجاهل الأخرى (medium.com) (www.theneuron.ai). خلال الليل، يمكن لهذه الحلقة أن تُجري حوالي 100 تجربة، مستكشفةً مساحة المعمارية والمعلمات دون الحاجة إلى ترميز يدوي.

تستكشف هذه المقالة كيف يمكن تطبيق إطار عمل البحث التلقائي لكارباثي على أبحاث الجلوكوما من قبل المرضى المتحمسين، ومقدمي الرعاية، والعلماء المواطنين، ومطوري المصادر المفتوحة. سنستعرض مجالات أبحاث الجلوكوما غير المستكشفة بما يكفي (الحماية العصبية، التجديد، إلخ) ونحدد مهام التعلم الآلي في كل مجال حيث يمكن أن تساعد تجارب النماذج الصغيرة بشكل معقول. لكل مهمة، نقترح مجموعات بيانات عامة محددة، ونماذج/معماريات أساسية، ومقاييس تقييم، ونوضح كيف يمكن أن تبدو تعليمات program.md الخاصة بالوكيل. ثم نناقش الخطوات العملية للمجتمع لإعداد ومشاركة مثل هذه التجارب، بما في ذلك اعتبارات الأجهزة، وإعداد البيانات، ومنصات التعاون. نفحص السياق المحدد لعلاجات استعادة البصر وما إذا كانت حلقات نمط البحث التلقائي قد تسرع من تحسين الأطراف الصناعية العصبية أو التدخلات الأخرى. أخيراً، نتناول كيفية التحقق من الفرضيات التي يولدها المواطنون وتصعيدها إلى الأطباء، ونضع خريطة طريق ملموسة لمدة 90 يوماً لإطلاق مبادرة بحث تلقائي يقودها المرضى – بما في ذلك كيفية تجنب مخاطر "مسرح الأبحاث" وضمان تأثير حقيقي. خلال المقال، نستشهد بمصادر حالية حول أبحاث الجلوكوما والذكاء الاصطناعي في مجال الرؤية، بهدف تقديم دليل متوازن وواقعي ومتاح.

1. مشهد أبحاث الجلوكوما والاحتياجات غير الملباة

تتوزع أبحاث الجلوكوما على عدة جبهات – بدءاً من فهم آليات المرض ووصولاً إلى تطوير علاجات جديدة لـ الحماية العصبية و استعادة البصر. العديد من المجالات الواعدة تعاني من نقص الموارد:

• الحماية العصبية: التدخلات التي تحمي الخلايا العصبية الشبكية من الموت (بصرف النظر عن ضغط العين). تشمل الأمثلة العوامل العصبية والمغذية والدعم الأيضي. على سبيل المثال، أظهرت الغرسات التي تطلق العامل العصبي الهدبي (CNTF) إمكانات في التجارب المبكرة (pmc.ncbi.nlm.nih.gov)، ويتم التحقيق في جزيئات أخرى مثل عامل نمو الأعصاب والسيتيكولين (pmc.ncbi.nlm.nih.gov) (pmc.ncbi.nlm.nih.gov). ومع ذلك، لم تصبح هذه العلاجات جزءاً من الرعاية القياسية بعد، وهناك حاجة إلى مزيد من العمل لترجمتها إلى المرضى. يحذر مراجعة عام 2025 من أن علاجات الجلوكوما العصبية الواقية هي "علاج مستقبلي" يحتاج إلى مزيد من التجارب (pmc.ncbi.nlm.nih.gov)، مما يعكس حاجة غير ملباة.

• تجديد الخلايا العصبية الشبكية وتجديد العصب البصري: بمجرد موت الخلايا العصبية الشبكية ومحاورها، لا يوجد في الطب الحالي طريقة لعكس ذلك. تستخدم بعض الدراسات الحيوانية علاجات جينية لإعادة برمجة الخلايا العصبية الشبكية أو تحفيز إعادة النمو. على سبيل المثال، عزز قمع PTEN القائم على تقنية كريسبر (منظم نمو سلبي) إعادة نمو المحاور في الخلايا العصبية للفئران (pmc.ncbi.nlm.nih.gov)، وأدت تجارب حذف PTEN و SOCS3 معاً إلى تجديد مستدام للعصب البصري في الفئران (pmc.ncbi.nlm.nih.gov). ومع ذلك، تظل هذه الاختراقات في نماذج المختبر. البيولوجيا الأساسية – مثل كيفية تكرار تطور الشبكية أو تجاوز مثبطات النمو – معقدة. هناك طلب كبير على الطرق العلاجية (الجزيئات الصغيرة، الجينات، المواد البيولوجية) التي يمكن أن تحفز بقاء الخلايا العصبية الشبكية أو إعادة نمو المحاور، لكن التقدم نحو التجارب البشرية بطيء.

• العلاجات الجينية والخلوية: تحمل التقنيات الجديدة مثل كريسبر، والنواقل الفيروسية، والخلايا العصبية الشبكية المشتقة من الخلايا الجذعية، وعوداً لعلاج الجلوكوما. تتضمن الاستراتيجيات تحرير الجينات لتقليل ضغط العين (مثل استهداف إنتاج الخلط المائي) أو تعديل مسارات التنكس العصبي (pubmed.ncbi.nlm.nih.gov) (pmc.ncbi.nlm.nih.gov). يمكن للخلايا الجذعية (نظرياً) أن تحل محل خلايا الشبكة التربيقية أو الخلايا العصبية الشبكية المفقودة وتفرز عوامل واقية (pubmed.ncbi.nlm.nih.gov). أظهرت الأعمال المبكرة أن بعض عوامل النسخ (مثل Oct4-Sox2-Klf4) يمكن أن تعيد برمجة الخلايا غير العصبية الشبكية إلى خلايا عصبية شبكية شبيهة بالخلايا العصبية الشبكية في الفئران (مستعيدة البصر في إصابة العصب البصري) (pmc.ncbi.nlm.nih.gov). ومع ذلك، تواجه هذه المقاربات تحديات تتعلق بالسلامة والتوصيل قبل أن تصل إلى المرضى. تُبرز العديد من المراجعات الحديثة العلاج الجيني كحدود مثيرة ولكنها ليست سريرية بعد للجلوكوما (pubmed.ncbi.nlm.nih.gov) (pmc.ncbi.nlm.nih.gov). باختصار، تتقدم الابتكارات الجزيئية والخلوية، لكن الموارد وبيانات التجارب محدودة – مما يخلق فرصة للاستكشاف الحسابي (مثل تصميم التراكيب الفيروسية المثلى أو التنبؤ بالتحرير الجيني الفعال).

• التحفيز الكهربائي والبصري الوراثي لاستعادة البصر: للمرضى الذين يعانون من الجلوكوما المتقدمة (أو الأمراض المشتركة مثل التهاب الشبكية الصباغي)، تهدف الأطراف الصناعية البصرية الاصطناعية أو العلاجات البصرية الوراثية إلى تجاوز الخلايا العصبية الشبكية التالفة. أنتجت الغرسات الشبكية (مصفوفات الأقطاب الكهربائية فوق الشبكية أو تحت الشبكية) والغرسات القشرية إدراكات اصطناعية ("فوسفينات")، لكن الدقة منخفضة والنتائج تتفاوت بشكل كبير. تشير مراجعة حديثة لعام 2025 حول الذكاء الاصطناعي في الأطراف الصناعية البصرية إلى أن "خوارزميات الذكاء الاصطناعي تبشر بالخير في تحسين الرؤية الاصطناعية، لا سيما من خلال استخلاص بروز الصورة المحسن واستراتيجيات التحفيز،" على الرغم من أن معظم الدراسات حتى الآن هي محاكاة (pmc.ncbi.nlm.nih.gov). بعبارة أخرى، يمكن للتعلم الآلي أن يساعد في تحويل صور الكاميرا إلى أنماط تحفيز تكون أكثر إفادة بالنظر إلى قيود الجهاز. كما يتم تجربة العلاجات البصرية الوراثية (جعل الخلايا الشبكية الباقية حساسة للضوء) ونبضات التحفيز الكهربائي عبر القرنية (TES) لفقدان البصر المرتبط بالجلوكوما. تحتاج جميع هذه المجالات إلى ضبط واسع للمعلمات (مثل أنماط التحفيز الزمانية والمكانية، ومتجهات التعبير الجيني) — وهي مهام يحتمل أن تكون مناسبة للبحث المستقل للتعلم الآلي.

• الآليات المستقلة عن ضغط العين (IOP): يستمر العديد من الأشخاص في فقدان البصر على الرغم من التحكم الجيد في ضغط العين. يُعرف بعوامل مثل ضعف تدفق الدم في العين، أو خلل وظيفي عصبي وعائي، أو الإجهاد الأيضي في رأس العصب البصري، لكنها ليست مفهومة تماماً. تشير الدراسات الوراثية إلى مكونات "مستقلة عن ضغط العين" كبيرة لخطر الإصابة بالجلوكوما (pubmed.ncbi.nlm.nih.gov) (pubmed.ncbi.nlm.nih.gov). هناك حاجة ماسة لمؤشرات حيوية لهذه العمليات (ما وراء الضغط). أيضاً، يعاني نصف مرضى الجلوكوما من مرض "التوتر الطبيعي"، مما يسلط الضوء على أن ارتفاع ضغط العين ليس هو السبب الوحيد. الأبحاث حول العوامل الوعائية أو مسارات الضرر الأخرى مستمرة ولكنها مجزأة. يمكن أن يساعد النمذجة الحسابية أو استخراج البيانات من مجموعات البيانات الكبيرة (مثل دراسات الارتباط على مستوى الجينوم) في تحديد آليات جديدة أو أهداف علاجية في هذا المجال.

• اكتشاف المؤشرات الحيوية عبر التصوير والمجالات: غالباً ما يعتمد الكشف المبكر ومراقبة الجلوكوما على التصوير (صور قاع العين، OCT) والاختبارات الوظيفية (مجالات الرؤية). يمكن للخوارزميات المتقدمة أن تكشف عن مؤشرات حيوية دقيقة يغفلها الأطباء البشريون. على سبيل المثال، بدأ التعلم العميق في اكتشاف فقدان مجال الرؤية ما قبل المحيطي (تغيرات غير مرئية لتحليل المجال القياسي) (pmc.ncbi.nlm.nih.gov). وبالمثل، تم استخدام الذكاء الاصطناعي لتحليل مقاطع سمك طبقات OCT للتنبؤ بالجلوكوما قبل حدوث الضرر الواضح. ومع ذلك، لا توجد بعد مؤشرات حيوية للذكاء الاصطناعي مقبولة على نطاق واسع وتستخدم سريرياً للفحص أو تصنيف المخاطر. تشمل الاختناقات الحسابية هنا الحاجة إلى مجموعات بيانات كبيرة ومُعنونة جيداً وبروتوكولات تحقق قوية (pmc.ncbi.nlm.nih.gov) (pmc.ncbi.nlm.nih.gov). بدأت التحديات العامة (REFUGE، AIROGS، إلخ) في توحيد البيانات، لكن تغطية المرض في مراحله المبكرة ضعيفة (pmc.ncbi.nlm.nih.gov). لا يزال الاكتشاف المدفوع بالآلة للمؤشرات الحيوية متعددة الوسائط (الجمع بين OCT، المجالات، الوراثة، إلخ) يمثل حدوداً مفتوحة.

أين يمكن للتعلم الآلي بالنماذج الصغيرة أن يساعد؟ تصف العديد من النقاط أعلاه مشاكل عالية المستوى. غالباً ما تكون العوائق هي ندرة البيانات، وتعدد المتغيرات المتفاعلة، وبطء تطور البيولوجيا. حيث يتألق وكيل البحث التلقائي هو في أتمتة التجارب صغيرة النطاق على البيانات المتاحة. على سبيل المثال، إذا كانت هناك مجموعة بيانات متواضعة من فحوصات OCT مع الجلوكوما المبكرة وبدونها، يمكن لعالم مواطن إعداد حلقة اختبار نموذج سريعة للعثور على أفضل معمارية تميز بينها. وبالمثل، يمكن للمحولات الصغيرة على الجينوميات أو الأدبيات أن تقترح جينات أو مرشحات أدوية جديدة. المفتاح هو التركيز على المهام الضيقة ذات المقاييس المحددة (دقة التصنيف، AUC، الخسارة) والتكرار بسرعة. قد تعتمد المجالات ذات البيانات العامة المحدودة (مثل معلمات TES أو الكوكتيلات الجينية الجديدة) على بيانات تركيبية أو وكلاء. في القسم التالي، نربط مهام التعلم الآلي المحددة في الجلوكوما بنهج البحث التلقائي.

2. ربط البحث التلقائي بمشاكل الجلوكوما

إن إطار عمل البحث التلقائي لكارباثي مستقل عن المجال: يمكنه تشغيل التجارب في أي مهمة تعلم آلي يتم توفيرها بواسطة ملفي prepare.py و train.py مع مقياس تقييم محدد جيداً. نحدد عدة مهام ملموسة متعلقة بالجلوكوما ونحدد كيف يمكن للوكيل معالجة كل منها. تتضمن كل حالة استخدام أدناه: مجموعة بيانات متاحة للجمهور (إن أمكن)، نموذج أو معمارية بداية، مقياس تقييم، ورسم توضيحي لتعليمات program.md.

2.1 تحليل صور OCT (الكشف الهيكلي والتجزئة)

• المهمة: الكشف المبكر عن الجلوكوما من فحوصات OCT. يوفر تصوير OCT مقاطع عرضية لطبقات الشبكية. يمكن أن يسبق ترقق طبقة الألياف العصبية الشبكية (RNFL) ومركب الخلايا العقدية (GCC) فقدان مجال الرؤية. يمكننا التعامل مع هذا كمهمة تصنيف (الجلوكوما مقابل السليم) أو انحدار (على سبيل المثال، سمك طبقة الألياف العصبية الشبكية الناتج).

  • مجموعة البيانات: إصدار حديث، SYN-OCT (www.nature.com)، هو مجموعة بيانات اصطناعية تتكون من 200,000 صورة OCT حول القرص (100 ألف جلوكوما، 100 ألف طبيعية) تم إنشاؤها بواسطة شبكات GANs. تحتوي كل صورة على سمك RNFL المقترن وأقنعة التجزئة. هذه متاحة للجمهور على Zenodo (www.nature.com). (على الرغم من كونها اصطناعية، فقد تم التحقق منها إحصائياً لمحاكاة OCT الحقيقي (www.nature.com).) بدلاً من ذلك، يمكن استخدام مجموعة بيانات OCT-DL (www.nature.com) (2064 صورة لأمراض شبكية مختلفة) أو مجموعات OCT سريرية أصغر.
  • النموذج: ابدأ بشبكة عصبية تلافيفية صغيرة (CNN). للتصنيف، يمكن أن يعمل نموذج يحتوي على حوالي 3-5 طبقات تلافيفية (على سبيل المثال، ما يعادل ResNet-18 مقتطعة، أو شبكة CNN صغيرة مخصصة). لتجزئة RNFL/GCC، يعتبر مشفر-فك مشفر مثل U-Net صغير (بعمق 3-4) مناسباً. يمكن لملف train.py الأولي تنفيذ شبكة CNN بسيطة وحلقة تدريب، مع معلمات فائقة افتراضية.
  • المقياس: إذا كنت تقوم بتصنيف الجلوكوما على OCT، استخدم AUC (منطقة تحت منحنى ROC) أو الدقة على تقسيم التحقق. للتجزئة، استخدم معامل دايس (Dice coefficient) أو IoU على أقنعة طبقة RNFL (يوفر SYN-OCT أقنعة (www.nature.com)).
  • مثال program.md:

    "الهدف: تعظيم قيمة AUC للتحقق من اكتشاف الجلوكوما من صور OCT. التعديلات المسموح بها: عدد الطبقات التلافيفية، عدد المرشحات، أحجام النواة، وظائف التنشيط، معدل التعلم، اختيار المحسن، حجم الدفعة، إلخ. بعد كل دورة تدريب مدتها 5 دقائق، قم بتقييم AUC على المجموعة المخصصة للتحقق. إذا تحسن AUC، احتفظ بالتغيير؛ وإلا، تراجع." (medium.com) (www.theneuron.ai). سيحاول الوكيل بذلك اختلافات (مثل إضافة طبقات، تعديل العرض، التبديل من Adam إلى RMSProp) لتحسين AUC.

• المهمة: تجزئة طبقة RNFL/GCC. يعد قياس سمك طبقة الألياف العصبية الشبكية (RNFL) بدقة أمراً بالغ الأهمية. باستخدام فحوصات OCT الاصطناعية (مع التجزئات المتوفرة) أو أي OCT حقيقي مع طبقات مُعنونة، يمكن صياغة هذه المهمة على أنها مهمة تجزئة.

  • مجموعة البيانات: يوفر SYN-OCT مرة أخرى أقنعة تجزئة RNFL (www.nature.com). مصدر آخر: بعض المجموعات الأكاديمية لديها فحوصات OCT B-scan مُعنونة (وإن كانت غالباً خاصة). إذا لزم الأمر، يمكن استخدام مجموعات بيانات تجزئة OCT عامة (مثل تحدي سوائل شبكية ديوك OCT (www.nature.com)) كوكلاء.
  • النموذج: شبكة عصبية تلافيفية صغيرة شبيهة بـ U-Net، ربما حتى مع تقليص القنوات من خط أساسي. على سبيل المثال، استخدم 3 كتل نزول/صعود، بدءاً من 16 مرشحاً. يُسمح للوكيل بتغيير العمق والعرض.
  • المقياس: درجة دايس (Dice score) أو متوسط IoU لقناع RNFL المتوقع مقابل الحقيقة.
  • مثال program.md:

    "الهدف: تعظيم درجة دايس لتجزئة طبقة RNFL على OCT. النموذج الأساسي هو U-Net بثلاث كتل. يمكن للوكيل تغيير عدد المرشحات، أو إضافة انقطاع (dropout)، أو تغيير معدل التعلم. تدريب لمدة 5 دقائق لكل تجربة وحساب دايس على مجموعة التحقق. احتفظ بالتعديلات التي تزيد من دايس."

• المهمة: التنبؤ بالتقدم عبر OCT التسلسلي. باستخدام OCT المتسلسل، يمكن التنبؤ بالترقق المستقبلي. إذا كانت بيانات OCT الطولية موجودة (مثل بنك المعلومات الحيوية في المملكة المتحدة أو بيانات العيادات الخاصة)، يمكن أن يكون الهدف هو التنبؤ بتغير RNFL أو تصنيف ثنائي "متسارع التقدم".

  • مجموعة البيانات: بيانات OCT الطولية العامة الخاصة بالجلوكوما نادرة. ومع ذلك، يمكن إعادة استخدام بيانات تحدي SR OCT (أو صور SYN-OCT مع تقدم محاكي) لمحاكاة هذه المهمة. بدلاً من ذلك، استخدم صور OCT من بنك المعلومات الحيوية في المملكة المتحدة (UK Biobank) (وإن لم تكن خاصة بالجلوكوما وليست سهلة الوصول لعلماء المواطنين). لأغراض التوضيح، افترض وجود مجموعة بيانات من فحوصات OCT في الوقت 0 والوقت 1 مع تسميات.
  • النموذج: شبكة عصبية تلافيفية (CNN) سيامية أو متسلسلة تأخذ أزواجاً من صور OCT، وتخرج احتمالية التقدم. ابدأ بتغذية الوقت 0 والتنبؤ بقطع الوقت 1.
  • المقياس: AUC لتصنيف التقدم الثنائي، أو MSE إذا كنت تحاول التنبؤ بتغير السمك.
  • مثال program.md:

    "الهدف: تحديد العيون التي ستعاني من فقدان سريع لـ RNFL. المدخلات: OCT خط الأساس؛ التسمية: ترقق >5 ميكرومتر بعد سنة واحدة. نستخدم مصنف CNN. التغييرات المسموح بها تشمل عمق الشبكة، معدل التعلم، والتكبير (augmentation). استخدم AUC التحقق كمقياس."

2.2 تحليل مجال الرؤية (VF)

• المهمة: التنبؤ بفقدان مجال الرؤية المستقبلي. بالنظر إلى اختبار أو أكثر من اختبارات هامفري لمجال الرؤية السابقة (قيم الحساسية النقطية)، توقع الحساسية المستقبلية أو معدل التقدم. هذه مشكلة كلاسيكية في إدارة الجلوكوما.

  • مجموعة البيانات: توفر مجموعة بيانات GRAPE (www.nature.com) (2023) متابعة طولية لـ 263 عيناً (1115 سجلاً) مع بيانات مجال الرؤية (VF) وقاع العين/OCT، بما في ذلك التقدم المُعلم. مورد آخر هو قاعدة بيانات UH Visual Field (UWHVF) الطولية في الولايات المتحدة (www.nature.com) (28,943 مجالاً من العديد من المرضى). ومع ذلك، فإن GRAPE مُنسقة جيداً ومتاحة للجمهور مع كل من بيانات مجال الرؤية والنتائج.
  • النموذج: نهج بسيط هو شبكة تغذية أمامية (متصلة بالكامل) على بيانات مجال الرؤية المكونة من 54 نقطة (أو ضغطها إلى مؤشرات عامة). للتنبؤ بالتقدم، يمكن لـ MLP أصغر أو 1D-CNN التعامل مع 54 أو 30 ميزة إدخال. فكرة أخرى: تعامل مع الشبكة 8×8 كصورة صغيرة واستخدم شبكة CNN صغيرة (على سبيل المثال، نواة 3×3).
  • المقياس: إذا كان التنبؤ بالانحراف المتوسط المستقبلي أو قيم النقاط، استخدم MSE (الأقل أفضل). إذا كان تصنيف "متسارع التقدم مقابل غير ذلك"، استخدم AUC.
  • مثال program.md:

    "الهدف: تقليل متوسط الخطأ التربيعي (MSE) لمجال الرؤية المتوقع. بدلاً من ذلك، تعظيم AUC لتصنيف الفقدان السريع. النموذج الأساسي: بيرسيبترون ذو طبقتين على 54 قيمة لمجال الرؤية. يمكن للوكيل تعديل الحجم المخفي، التنشيط، أو إضافة انقطاع (dropout). بعد كل تدريب لمدة 5 دقائق، قم بحساب المقياس على مجموعة التحقق."

• المهمة: تحديد متسارعي التقدم. باستخدام سلسلة من فحوصات مجال الرؤية السابقة، صنّف العيون التي ستفقد البصر بسرعة.

  • مجموعة البيانات: استخدم حالة التقدم المُعلمة في GRAPE (www.nature.com) (لقد قاموا بتمييز العيون التي تقدمت). أو خذ UWHVF وصنّف العشرة الأوائل من فقدان الانحراف المتوسط (MD) على أنهم "سريعون".
  • النموذج: يمكن دمج ميزات من مجالين أو ثلاثة متتالية (أو فروقات) في شبكة صغيرة. ربما يتضمن ضغط العين الأساسي والعمر إذا كانا متاحين.
  • المقياس: AUC للتمييز بين متسارعي التقدم وبطيئيه.
  • مثال program.md:

    "الهدف: تعظيم AUC للتنبؤ بالتقدم السريع للمجال. ميزات الإدخال: فروقات من الدرجة الثانية لـ VF1 و VF2، بالإضافة إلى IOP. استخدم شبكة FC صغيرة. يمكن للوكيل ضبط عرض الطبقات، معدل التعلم، وحجم الدفعة."

2.3 فحص الأدوية/المركبات (اكتشاف المرشحات الحاسوبي)

• المهمة: التنبؤ بمركبات مرشحة للحماية العصبية/التجديد. استخدم التعلم الآلي للعثور على جزيئات صغيرة قد تحمي الخلايا العصبية الشبكية أو تشجع التجديد. على سبيل المثال، تظهر العديد من المركبات المعروفة (مثل النيكوتيناميد، فالبروات) تأثيرات حامية للأعصاب. يمكننا تدريب نماذج للتعرف على الأنماط الكيميائية المرتبطة بالفعالية المعروفة ثم البحث في الفضاء الكيميائي.
  • مجموعة البيانات: هذه مهمة صعبة بسبب نقص قاعدة بيانات مخصصة لأدوية الجلوكوما. كبديل، يمكن استخدام مجموعات بيانات MolNet (مثل تثبيط فيروس نقص المناعة البشرية، نفاذية الحاجز الدموي الدماغي) أو أي مجموعة بيانات للنشاط البيولوجي. بدلاً من ذلك، يمكن تجميع قائمة بالمركبات التي تم اختبارها في نماذج إصابة العصب البصري (من استخراج الأدبيات) مع تسميات. عملياً، قد يبدأ المرء بخاصية أكثر عمومية (مثل بيانات اختراق الحاجز الدموي الدماغي من MoleculeNet).
  • النموذج: محول صغير أو شبكة عصبية بيانية على سلاسل SMILES. يمكن تنفيذ محول (على غرار GPT-2) مع عدد قليل من الطبقات أو شبكة تلافيفية بيانية بسيطة (مثل 3 طبقات GCN) في ملف train.py.
  • المقياس: إذا تعاملنا معها كتصنيف (نشط مقابل غير نشط)، استخدم AUROC. إذا كان التنبؤ بالتقارب أو logP، استخدم RMSE.
  • مثال program.md:

    "الهدف: تعظيم ROC-AUC للتصنيف لتحديد المركبات الشبيهة بالواقية للأعصاب. النموذج الأساسي: محول صغير على SMILES. يمكن للوكيل تعديل عدد طبقات المحول، أو إضافة انقطاع (dropout)، أو تغيير معدل التعلم، أو استخدام تمثيلات ميزات بديلة (مثل مدخلات البصمات). بعد كل 5 دقائق، قم بتقييم AUC على جزيئات التحقق."

(ملاحظة: نظراً لندرة البيانات العامة للحماية العصبية الفعلية، فإن هذه المهمة توضيحية أكثر. عملياً، يمكن لعلماء المواطنين إنشاء مجموعة بيانات مخصصة للمركبات المعروفة بحماية الأعصاب مقابل الضوابط واتباع هذا النمط.)

2.4 نمذجة شبكة تنظيم الجينات (الخلايا العصبية الشبكية أحادية الخلية)

• المهمة: تحديد مجموعات عامل النسخ (TF) المجددة. استخدم بيانات تسلسل الحمض النووي الريبوزي (RNA-seq) أحادية الخلية من الخلايا العصبية الشبكية (RGCs) لتعلم الأنماط النسخية للنمو التجديدي. على سبيل المثال، تتجدد بعض الأنواع الفرعية من الخلايا العصبية الشبكية بشكل أفضل من غيرها. قد يتنبأ نموذج التعلم الآلي بتصنيف "حالة التجديد"، ويمكن للمرء فحص عوامل النسخ المهمة.
  • مجموعة البيانات: توفر دراسة عام 2018 نسخاً جينية للخلايا العصبية الشبكية أحادية الخلية (GEO accession GSE115404) (pmc.ncbi.nlm.nih.gov)، تحدد أنواعاً فرعية مميزة من الخلايا العصبية الشبكية. يمكننا استخدام هذه المجموعة من البيانات (أو مجموعة فرعية منها) حيث تُصنف الخلايا حسب النوع الفرعي أو حسب الحالة التجريبية (مثل قبل الإصابة مقابل بعد الإصابة).
  • النموذج: محول صغير أو MLP يعمل على متجهات التعبير الجيني (تحتوي كل خلية على آلاف من وفرة الجينات). عملياً، سيتم اختيار أفضل ~500 جين مسبقاً (مثل الجينات شديدة التباين). قد يقوم ملف train.py بتنفيذ محول مصغر (مثل 4 طبقات، تضمين 256) أو بيرسيبترون بسيط من طبقتين.
  • المقياس: إذا تم استخدام تحليل غير خاضع للإشراف، يمكن استخدام درجة الصورة الظلية (silhouette score)، ولكن ببساطة أكثر، إذا تم تصنيف الخلايا على أنها "متجددة" مقابل "غير متجددة" (إذا كانت التسميات موجودة)، استخدم دقة التصنيف/AUC.
  • مثال program.md:

    "الهدف: بناء نموذج يميز بين ملامح التعبير الجيني للخلايا العصبية الشبكية المتجددة وغير المتجددة. ابدأ بمحول بثلاث طبقات. يمكن للوكيل تغيير أبعاد التضمين (embed dim)، العمق، معدل التعلم، أو إضافة تسوية الدفعات (batchnorm). قم بتحسين دقة التحقق." بعد التشغيل، قد تسلط أوزان الانتباه أو الميزات المتعلمة للنموذج الأفضل الضوء على عوامل النسخ الرئيسية للتجريب.

2.5 تحليل الإشارات الكهربية الفسيولوجية

• المهمة: اكتشاف خلل وظيفي تحت السريري للخلايا العصبية الشبكية عبر ERG. يمكن لتخطيط كهربية الشبكية بنمط معين (pERG) أو إشارات كهربية فسيولوجية أخرى الكشف عن صحة الخلايا العصبية الشبكية. على سبيل المثال، قد تسبق استجابات ERG المتأخرة أو المنخفضة عيوب مجال الرؤية. يمكننا محاولة تصنيف الإشارات على أنها "طبيعية" مقابل "مشتبه في إصابتها بالجلوكوما".
  • مجموعة البيانات: مجموعات بيانات ERG العامة في الجلوكوما نادرة. يمكن استخدام بديل: مجموعة بيانات من الحيوانات (تنكس الشبكية) أو إشارات اصطناعية. إذا لم تكن متاحة، حتى مجموعات البيانات الكهربية الفسيولوجية العامة أحادية الأبعاد (مثل ECG) يمكن أن توضح خط العمل.
  • النموذج: شبكة عصبية تلافيفية أحادية الأبعاد (CNN) (على سبيل المثال، طبقتين تلافيفيتين تتبعهما طبقة متصلة بالكامل) على بيانات السلاسل الزمنية. بدلاً من ذلك، يمكن استخدام LSTM إذا كانت التسلسلات أطول.
  • المقياس: الدقة أو AUC في تصنيف خلل وظيفي خفي مقابل طبيعي. ربما F1 إذا كانت الفئات غير متوازنة.
  • مثال program.md:

    "الهدف: تعظيم دقة التحقق لتصنيف آثار ERG (نموذج صحي مقابل الجلوكوما المبكرة). استخدم 1D CNN. يمكن للوكيل تعديل أحجام المرشحات، الخطوة (stride)، أو إضافة طبقة متكررة. احتفظ بأي تغييرات تحسن الدقة."

2.6 التنقيب في الأدبيات (توليد الفرضيات)

• المهمة: ضبط نموذج لغوي صغير للكشف عن رؤى جديدة. مع آلاف أوراق البحث حول الجلوكوما في PubMed، يمكن لوكيل التعلم الآلي البحث عن روابط أو مرشحات لإعادة التوظيف. على سبيل المثال، ربط مسارات الحماية العصبية بالأدوية الموجودة. يمكننا التعامل مع هذا كمشكلة نمذجة لغوية أو مشكلة استرجاع.
  • مجموعة البيانات: قم بتجميع مجموعة من الملخصات المتعلقة بالجلوكوما (على سبيل المثال، استخدم بحث PubMed عن "العلاج الجيني للجلوكوما" إلخ). يمكن تنزيل حوالي 10,000 ملخص عبر واجهات برمجة تطبيقات NCBI. لبداية أبسط، استخدم مقالات الجلوكوما مفتوحة الوصول من PMC.
  • النموذج: نموذج لغوي محول صغير (على سبيل المثال، GPT-2 بست طبقات) أو حتى BERT مضبوط بدقة. لأغراض البحث التلقائي، من المحتمل أن نقوم بضبط نموذج سببي (GPT) على النص.
  • المقياس: عادةً، يتم تحسين خسارة التحقق (الحيرة). إذا كنت تقوم بتصنيف (على سبيل المثال، بالنظر إلى ملخص، توقع تصنيف لدواء أو مسار)، استخدم الدقة/AUC.
  • مثال program.md:

    "الهدف: تقليل حيرة التحقق (perplexity) لنموذج GPT-2 صغير على مجموعة أدبيات الجلوكوما. استخدم جلسات ضبط دقيقة مدتها 5 دقائق. يمكن للوكيل تغيير عدد الطبقات، الحجم المخفي، معدل التعلم، طول السياق. احتفظ بالتغييرات التي تقلل الحيرة." بمجرد التدريب، يمكن للمرء أن يوجه هذا النموذج لتوليد فرضيات (على سبيل المثال، "أفضل الأدوية المرشحة لإعادة التوظيف للحماية العصبية في الجلوكوما: ...").

في كل من هذه المجالات، المفتاح هو أن وحدة معالجة رسومات واحدة وجلسات تشغيل قصيرة تسمح بالعديد من التجارب. نحن لا نتوقع من الوكيل أن يبرمج خوارزميات جديدة من الصفر، بل أن يقوم بتعديل نص تدريبي موجود. دور الإنسان هو كتابة program.md لتوجيه بحث الوكيل نحو هدف خاص بالجلوكوما (مثل تعظيم AUC على مجموعة بيانات قاع العين أو التنبؤ بسمك RNFL). توضح الأمثلة أعلاه كيف يمكن إعداد train.py في البداية وكيف توجه تعليمات program.md لتحسين مقياس مختار (medium.com) (www.theneuron.ai).

3. دليل عملي لتطبيق علم المواطن

كيف يمكن للأفراد المتحفزين ذوي الموارد المحدودة (مثل بطاقة RTX 3060 واحدة أو جهاز MacBook مزود بمعالج Apple Silicon) تطبيق البحث التلقائي فعلياً على مشاكل الجلوكوما؟ الخبر السار هو أن مستودع كارباثي صغير ويحتوي على إرشادات للتصغير. فيما يلي الخطوات والنصائح الرئيسية:

• إعداد البيئة: استنسخ مستودع karpathy/autoresearch. ستحتاج إلى إصدار حديث من Python ومن الأفضل الوصول إلى نموذج لغوي كبير (LLM) (الوكيل نفسه عادةً ما يكون نموذجاً لغوياً كبيراً مدرباً مسبقاً مثل GPT-4 أو Claude يقوم بتحرير الكود). لوحدات معالجة الرسومات (GPUs)، قم بتثبيت PyTorch مع دعم CUDA/metal المناسب. لمعالجات Apple Silicon، استخدم أحد التفريعات (مثل MLX) أو بنية PyTorch لـ M1/M2 (راجع وثائق المستودع). على أنظمة Windows/Linux المزودة ببطاقة 3060 أو 4070، يعمل PyTorch CUDA العادي.

• التهيئة لوحدة معالجة رسومات صغيرة: يستخدم البحث التلقائي الافتراضي نموذجاً مشابهاً لـ GPT يحتوي على حوالي 50 مليون معلمة ومتسلسلات بطول 1024 (medium.com)، وهو ما قد يكون ثقيلاً. بالنسبة لبطاقة GTX 3060 (12 جيجابايت)، يجب تقليل حجم النموذج وطول المتسلسلة. في ملف train.py، اضبط MAX_SEQ_LEN=512 أو حتى 256. قلل عدد الطبقات والعرض (نموذج GPT المتوسط يحتوي على حوالي 8 طبقات؛ جرب 4 طبقات، وعرض 256). تشير التعليمات في المجتمع إلى تقليل "DEPTH" و "WIDTH" وما إلى ذلك. يمكنك أيضاً تقليل ذاكرة المحسّن باستخدام أحجام دفعات أصغر (حتى 16 أو 8). لا يزال بإمكان الوكيل تغيير هذه المعلمات، ولكن إعطائه نقطة بداية أصغر يضمن أن تكون عمليات التشغيل أقل من 5 دقائق. تشير وثائق README ومناقشات المشكلات في autoresearch GitHub أيضاً إلى أن رقائق Mac M1 يمكنها التعامل مع متسلسلات أقصر (مثل 256 رمزاً) بسبب الذاكرة المحدودة؛ وينطبق هذا التوسيع المماثل على أي وحدة معالجة رسومات.

• تحضير بيانات الجلوكوما: يجب تحميل وتقسيم بيانات كل مهمة. تتضمن مجموعات بيانات الجلوكوما العامة ما يلي:

  • مجموعات بيانات قاع العين: ORIGA(-light) (650 صورة مُعنونة (pubmed.ncbi.nlm.nih.gov))، RIM-ONE DL (485 صورة مع تجزئة الكأس/القرص (github.com))، REFUGE (أكثر من 1200 صورة، مع تقسيمات تدريب/اختبار (refuge.grand-challenge.org))، مجموعة بيانات الجلوكوما الجديدة Hillel Yaffe (HYGD) مع حوالي 1200 صورة لقاع العين وتسميات عالية الجودة (physionet.org). EyePACS/AIROGS (عشرات الآلاف من صور الشبكية) يمكن الوصول إليها أيضاً للجمهور عبر التسجيل (مثل Kaggle).
  • مجموعات بيانات OCT: SYN-OCT (200 ألف B-scan اصطناعية مع أقنعة RNFL (www.nature.com) (www.nature.com))، OCTDL (2064 صورة لأمراض الشبكية المختلفة (www.nature.com))، وغيرها من التحديات العامة.
  • بيانات مجال الرؤية: GRAPE (263 عيناً ذات متابعة طولية لمجال الرؤية بالإضافة إلى صور (www.nature.com)). UWHVF (28 ألف اختبار مجال رؤية) مفتوح إذا قمت بتنزيله من مستودع جامعة واشنطن (www.nature.com). تتضمن بعض تحديات Kaggle بيانات مجال الرؤية.
  • الفيزيولوجيا الكهربية: لا توجد مجموعة بيانات ERG كبيرة ومفتوحة للجلوكوما معروفة، ولكن يمكن للمرء أن يبدأ بأي بيانات إشارة معيارية مقابل جلوكوما يمكن الوصول إليها.
  • البيانات الكيميائية/الجينية: يمكن إعادة استخدام مجموعات البيانات القياسية مثل MoleculeNet (للمركبات) أو GEO (للجينات). على سبيل المثال، قم بتنزيل عدد GSE115404 الخام (عبر استعلام GEO (pmc.ncbi.nlm.nih.gov)) ومعالجتها مسبقاً إلى مصفوفات تعبير.

  لكل مهمة، تحتاج إلى ملف prepare.py يقوم بتحميل البيانات وتحديد train_set و val_set ووظيفة تقييم. يتوقع قالب كارباثي أن يقوم ملف prepare.py بإخراج بيانات التدريب وروتين تقييم يعيد قيمة خسارة أو مقياس. على سبيل المثال، قد يقوم ملف prepare.py لـ RIM-ONE بتحميل الصور و CC المصنفة كجلوكوما، وتقسيمها إلى مجلدات تدريب/تحقق، وتحديد وظيفة تحسب AUC التحقق. REFER to [14†L71-L79] لمعرفة كيفية تنظيم RIM-ONE.

• تعديل البيانات للحجم الصغير: إذا كانت مجموعات البيانات كبيرة (مثل EyePACS أو SYN-OCT)، يمكنك أخذ عينات فرعية لإنشاء مجموعة بيانات "صغيرة" تتكون من بضع مئات من الأمثلة (لا يزال النموذج قادراً على تعلم شيء ذي قيمة من مجموعة صغيرة). يشير مستودع البحث التلقائي حتى إلى استخدام مجموعات بيانات صغيرة على غرار "TinyStories" لتشغيلها على أجهزة صغيرة. على سبيل المثال، اختر 500 صورة من ORIGA (متوازنة)، أو 1000 مجال رؤية من GRAPE. وبالمثل، بالنسبة للغة، يمكن استخدام مجموعة فرعية من 5000 ملخص من أوراق الجلوكوما في PubMed. المفتاح هو مجموعة بيانات ثابتة يكررها الوكيل. تأكد من خلط البيانات مسبقاً وتقسيمها بنسبة 80/20 بحيث يرى كل تشغيل لمدة 5 دقائق نفس تقسيم التدريب/التحقق.

• استراتيجيات كتابة program.md: يجب أن يشارك المجتمع مطالبات program.md المختلفة (مثل "وصفات") في التحكم بالإصدارات. يمكن لكل ملف أن يشفر استراتيجية بحث. على سبيل المثال، قد تقول إحدى الاستراتيجيات "زيادة عمق الشبكة إذا كان العمق <6، وإلا تقليل معدل التعلم"، بينما قد تقول أخرى "ركز على تغييرات تكبير البيانات". بمرور الوقت، يمكن للمجموعات مقارنة الاستراتيجيات التي أسفرت عن مقاييس أفضل على لوحات الصدارة. يتضمن ملف program.md الجيد هدفاً (مثل تعظيم AUC أو تقليل خسارة التحقق) وتلميحات حول التعديلات المسموح بها (الطبقات، المرشحات، معدل التعلم). يستخدم نموذج LLM الخاص بالوكيل هذه التعليمات لاقتراح تعديلات على الكود. حافظ على توحيد المقاييس (على سبيل المثال، قم دائماً بالإبلاغ عن AUC لمهام تصنيف الجلوكوما) بحيث تكون التجارب قابلة للمقارنة.

• التعاون المجتمعي: لجعل هذا الجهد قابلاً للتوسع، يجب على مجتمع علم المواطن تنظيم ما يلي:

  • سجلات التجارب المشتركة: نشر نتائج كل تجربة (على سبيل المثال، "التجربة #27 من البرنامج-الإصدار 1 حققت AUC تحقق = 0.82 بعرض = 4، عمق = 3").
  • مقاييس موحدة: تحديد مقاييس لكل مهمة: على سبيل المثال، "OCT جلوكوما AUC"، "تقدم VF AUC"، "Attribute AUC"، إلخ. يمكن للوحة صدارة مشتركة (على غرار val_bpb في البحث التلقائي) تتبع أعلى الدرجات. على سبيل المثال، قد يقوم Slack أو GitHub Actions بجمع أفضل AUC لكل وكيل أسبوعياً.
  • program.md المتحكم بالإصدارات: استضافة جميع ملفات program.md في مستودع GitHub. يمكن للأعضاء تفريع واقتراح استراتيجيات جديدة (عبر طلبات السحب) مع الاحتفاظ بالإصدارات التاريخية. وبهذه الطريقة يمكن اختبار مقاربات متعددة بالتوازي (على سبيل المثال، "program_word2vec.md" مقابل "program_transformer.md").
  • مشاركة البيانات والكود: استخدام المستودعات العامة أو الدفاتر لسكربتات إعداد البيانات، ومشاركة تعديلات train.py التي عثر عليها الوكيل (لإعادة إنتاجها في أطر عمل التعلم الآلي القياسية). الربط بمصادر مجموعات البيانات الأصلية (Kaggle، PhysioNet، Zenodo) يضمن أن يتمكن الآخرون من تنزيل نفس البيانات.

  من خلال خفض الحواجز التقنية (الوكيل يحرر الكود، والمستخدم يحرر التعليمات في Markdown)، ومن خلال تنسيق الجهود (السجلات المشتركة، لوحات الصدارة)، يمكن لعلماء المواطنين استكشاف خيارات المعلمات الفائقة/النموذج بشكل جماعي لمشاكل التعلم الآلي الخاصة بالجلوكوما هذه. في الأساس، يستثمرون الإبداع البشري في تحديد الأهداف، ويتركون للوكيل تشغيل 100 تجربة شاقة خلال الليل لكل هدف (medium.com) (www.theneuron.ai).

4. استعادة البصر تحديداً

تُعد استعادة البصر – استعادة الرؤية بعد التلف – هدفاً مثيراً بشكل خاص لـ التحسين المدعوم بالذكاء الاصطناعي. تشمل الأبحاث الحالية لاستعادة البصر بمساعدة الذكاء الاصطناعي الغرسات الشبكية، والأطراف الصناعية القشرية، والبصريات الوراثية. إليك كيف يمكن أن تتناسب حلقة البحث التلقائي:

• تحسين ترميز الأطراف الصناعية البصرية: تحاول الأطراف الصناعية الحديثة (الغرسات الشبكية أو الكاميرات المتصلة بمصفوفات الأقطاب الكهربائية) ترجمة صورة الكاميرا إلى أنماط تحفيز كهربائي يفسرها الدماغ على أنها رؤية. التحدي هو أن "عرض النطاق الترددي" للأقطاب الكهربائية محدود للغاية (غالباً ما يتراوح من عشرات إلى بضع مئات من النقاط فقط) (pmc.ncbi.nlm.nih.gov). يمكن تدريب نموذج تعلم آلي (شبكة عصبية تلافيفية صغيرة أو محول) لربط صور الإدخال بخرائط التحفيز المثالية، ولكن أفضل المعلمات الفائقة أو البنى الهندسية لهذا التحويل غير معروفة. يمكن لوكيل البحث التلقائي تشغيل 100 اختلاف لنموذج "مشفّر عصبي" في ساعات. على سبيل المثال، قم بإعداد مجموعة بيانات من أزواج الصور←التحفيز (سواء كانت فوسفينات محاكية أو بيانات مرضى) واجعل الوكيل يحسن شبكة المشفر لتقليل خسارة إعادة البناء أو تعظيم مقياس فائدة (سلامة التباين، دقة التعرف). قد يحاول الوكيل إضافة طبقات انتباه، أو تغيير أحجام التلافيف، أو ضبط معدلات التعلم. على مدار العديد من التشغيلات، يمكن العثور على شبكات صغيرة توفر مخرجات اصطناعية أكثر بروزاً. تستخدم بعض الأعمال الحديثة بالفعل الذكاء الاصطناعي لاستخراج بروز بصري للأطراف الصناعية (pmc.ncbi.nlm.nih.gov)؛ يمكن للبحث التلقائي أتمتة ضبط مثل هذه المسارات.

• أنماط التحفيز البصري الوراثي (Optogenetic Stimulation Patterns): في العلاج البصري الوراثي، تُجعل الخلايا العصبية الشبكية الباقية أو الخلايا الشبكية الأخرى حساسة للضوء (عبر جينات مُدخلة). يجب بعد ذلك ترميز المدخلات من الكاميرا في نبضات ضوئية. وهنا أيضاً، يمكن لنموذج التعلم الآلي التحكم في الأنماط. يمكن للمرء أن يصمم مهمة بسيطة: شبكة صغيرة تحول صورة الكاميرا إلى خريطة شدة ضوئية (بنفس أبعاد الخلايا). يمكن أن يكون هدف الوكيل هو تعظيم بعض مقاييس التحفيز الفعال (مثل تعظيم تنشيط الخلايا المستهدفة في شبكية محاكاة). قد يقوم كل تجربة بتشغيل محاكاة سريعة للاستجابة. على مدار التكرارات، قد يستكشف الوكيل مدة النبضات أو المرشحات المكانية. على سبيل المثال، قد يكون تعديل قوة مرشح التمرير العالي على مدخل الكاميرا مفيداً لبعض الأنماط. النقطة هي أن العديد من المعلمات التناظرية (نواة المرشحات، اللاخطية، ترميز النبضات الزمنية) يمكن مسحها تلقائياً.

• تحسين نمط النبض (TES والغرسات): حتى المجالات غير المتعلقة بالتعلم الآلي يمكن أن تستفيد من البحث السريع. على سبيل المثال، وجدت دراسة حديثة (Xie وآخرون 2025) أن فترات النبض الأقصر وإدخال فترات بين الأطوار أدت إلى تحسين كبير في تنشيط القشرة الدماغية للغرسات الشبكية (pmc.ncbi.nlm.nih.gov). يشير هذا إلى أن مساحة معلمات التحفيز الكهربائي لها تأثيرات قوية وغير بديهية. يمكن لوكيل البحث التلقائي التعامل مع معلمات بروتوكول التحفيز (مدة الطور، التردد، الفاصل الزمني) على أنها "معلمات شبكة" وتشغيل العديد من التجارب الصغيرة (كل منها محاكاة أو تجريبية) لتعظيم الاستجابة القشرية. على سبيل المثال، قم بإعداد نموذج كهربائي مبسط (أو استخدم بيانات الجهد المستحث المسجلة) في ملف prepare.py ودع الوكيل يعدل معلمات train.py مثل توقيت النبض لتعظيم سعة استجابة محددة. هذا يشبه أتمتة ما يقوم به علماء الأعصاب المتحمسون يدوياً.

• تصميم النواقل الفيروسية وهندسة السقالات: في تطوير العلاجات الأكثر استكشافاً، يمكن لنهج حلقة الوكيل أيضاً معالجة التحسينات الطبية الحيوية. على سبيل المثال، يمكن توجيه تصميم قفيصات الفيروسات المرتبطة بالفيروس الغدي (AAV) أو المحفزات لاستهداف الخلايا العصبية الشبكية بواسطة نماذج تنبؤية صغيرة (مثل الانحدار اللوجستي على ميزات التسلسل). يمكن للبحث التلقائي أن يحاول مراراً وتكراراً تعديل نموذج يتنبأ بالتوجه الاستهداف (tropism) أو التعبير (مدرب على سبيل المثال على مكتبات فيروسية صغيرة) لتحسين هذا التنبؤ. وبالمثل، إذا كان لدى شخص ما رمز محاكاة للنمو في سقالات الأعصاب (لإصلاح العصب البصري)، يمكن للوكيل تعديل المعلمات الهندسية لتعظيم امتداد المحور العصبي. هذه مهام متقدمة، لكنها تتناسب مفهومياً – يمكن لـ "الوكيل كخبير" تعديل معلمات النموذج أو المحاكاة لتحسين النتائج.

باختصار، يمكن تحسين أي جانب من جوانب الأطراف الصناعية البصرية أو استعادة الرؤية الذي يعتمد على خوارزميات معلمة عبر التكرارات السريعة. والأهم من ذلك، أن القيد هو أننا نمتلك عموماً بيانات محاكاة فقط للعديد من هذه المهام؛ إذ لا يمكن اختبار مئات المتغيرات على المرضى الفعليين. لكن البحث التلقائي يمكن أن يعمل حاسوبياً لاقتراح أفضل المرشحين للاختبار السريري اللاحق. كما أشارت مراجعة الأطراف الصناعية، فإن "ضمان توليد الومضات الضوئية (phosphenes) بشكل موثوق في مواقع دقيقة... يمثل تحدياً مهماً" و "أظهرت النماذج المدعومة بالذكاء الاصطناعي إمكانات" في هذا المجال (pmc.ncbi.nlm.nih.gov). يمكن للبحث التلقائي تسريع العثور على أفضل تكوينات لنماذج الذكاء الاصطناعي هذه بشكل كبير.

5. الربط بالأثر السريري

يجب أن تعود النتائج الحسابية في النهاية لترتبط بأبحاث ورعاية الجلوكوما الحقيقية. كيف يمكن التحقق من الأفكار الناتجة عن البحث التلقائي بقيادة المرضى وتطويرها؟

• التعاون مع المجموعات البحثية: يجب على علماء المواطنين التواصل مع اتحادات أبحاث الجلوكوما الراسخة. تتضمن الأمثلة الاتحاد الدولي لوراثة الجلوكوما (IGGC) واتحاد NEIGHBORHOOD، اللذين يجمعان البيانات الوراثية والسريرية (pubmed.ncbi.nlm.nih.gov) (pmc.ncbi.nlm.nih.gov). يمكن مشاركة النتائج المستخلصة من البحث التلقائي (مثل جين مرشح جديد أو فرضية إعادة توجيه دواء) مع هذه المجموعات لمتابعة التجارب. قد تختبر مختبرات زراعة الأنسجة (على سبيل المثال في الجامعات الكبرى) أو باحثو النوم المركبات على بقاء الخلايا العصبية الشبكية. يمكن للأطباء الأكاديميين ربط أي مؤشر حيوي أو مصنف صور ببيانات مرضاهم تحت موافقة لجنة الأخلاقيات (IRB). بدء حوارات بين المجموعات التي تعمل بأسلوب الهاكاثون والمختبرات الرسمية هو أمر أساسي.

• إشراك منظمات دعم المرضى: غالباً ما تمول مجموعات مثل مؤسسة أبحاث الجلوكوما أو مؤسسة علاج الجلوكوما الابتكار المرتكز على المريض. يمكنهم رعاية مشاريع إثبات المفهوم أو مسابقات المواطنين باستخدام البحث التلقائي. تمتلك هذه المنظمات شبكات من الأطباء ويمكن أن تساعد في توجيه النماذج الواعدة إلى العيادات. على سبيل المثال، إذا أشار وكيل إلى دواء موجود معتمد من إدارة الغذاء والدواء (FDA) على أنه يحمي الأعصاب، يمكن لمجموعة دعم المرضى المساعدة في إعداد تجربة صغيرة بموجب البروتوكولات المناسبة. سيتطلب تسليط الضوء على النجاحات صياغة المخرجات كفرضيات (وليست نصائح طبية) وضمان الشفافية.

• ضوابط أخلاقية وسلامة: يجب على علماء المواطنين استخدام فقط البيانات العامة مجهولة الهوية أو البيانات الاصطناعية بالكامل. أي استخدام لسجلات المرضى الفعلية يتطلب بروتوكولاً معتمداً من لجنة المراجعة المؤسسية (IRB) (وربما موافقة المريض). يجب تسمية المخرجات من حلقات البحث التلقائي بوضوح على أنها توليد فرضيات. على سبيل المثال، "يشير هذا النموذج إلى أن الدواء X قد يحمي الخلايا العصبية الشبكية – هناك حاجة للتحقق التجريبي." يجب أن تبقى القرارات الطبية الحاسمة في أيدي الأطباء. تشمل المخاطر توزيع نماذج تتنبأ بنتائج شخصية (تقدم الجلوكوما) عن غير قصد – لذا فإن إخلاء المسؤولية الواضح ضروري لعدم التعامل مع هذه الأدوات كأدوات تشخيصية. أفضل الممارسات في خصوصية البيانات (مثل استخدام الحقول المجمعة أو المجهولة) أمر لا بد منه.

• سابقة علم المواطن: ليس من غير المسبوق أن يساهم الهواة في أبحاث الطب/العلوم العصبية. لقد حشد مشروع Eyewire (لعبة تخطيط الخلايا العصبية من معهد ماساتشوستس للتقنية بتمويل جماعي) المتطوعين لإعادة بناء الدوائر العصبية الشبكية (www.citizenscience.gov). في طب العيون، ساعد غير الخبراء في تعليق الصور في التحديات الممولة من OpenAI (مثل مجموعات البيانات المصنفة لأمراض العيون). خارج رعاية العيون، تظهر ألعاب مثل Foldit (ألغاز طي البروتين) وGalaxy Zoo (تصنيف المجرات) أن مشاركة المواطنين يمكنها حل مشاكل علمية صعبة. تشجع هذه النجاحات فكرة أن العديد من الأيدي (والآن الذكاء الاصطناعي) يمكنها بالفعل المساعدة في الأبحاث المعقدة. نهج البحث التلقائي يشبه إعطاء كل شخص مساعد مختبر يعمل بالذكاء الاصطناعي: استخدمت جهود التمويل الجماعي السابقة البشر فقط لتحليل المهام الثابتة، بينما هنا يحدد الإنسان الهدف ويقوم الذكاء الاصطناعي بالتكرار.

من خلال الشفافية والحذر والتعاون، يمكن لمبادرة علم المواطن للبحث التلقائي أن تكسب الثقة. يجب أن تركز على "توليد الخيوط، لا الوصفات الطبية". إذا وثق المجتمع الأساليب وشارك الكود بشكل مفتوح، يمكن للباحثين المحترفين إعادة إنتاج النتائج. على سبيل المثال، إذا وجد شخص ما مجموعة جديدة من العوامل الواقية للخلايا العصبية الشبكية، يمكنه نشرها في نسخة أولية أو تنبيه مختبر. تساعد المراجع بأسلوب الاستشهاد (كما نفعل هنا) في الربط: على سبيل المثال، "لقد عالجنا قائمتك للأدوية المرشحة في سياق المسارات المعروفة (pmc.ncbi.nlm.nih.gov)." في نهاية المطاف، هذا شكل من أشكال العلم المفتوح – يقوده المرضى ولكنه دقيق علمياً. إذا تم الحفاظ على المعايير الأخلاقية، فإن هذا الابتكار الشعبي يمتلك إمكانات كبيرة لإثارة تعاونات جديدة ويغذي في النهاية أبحاث طب العيون التي يراجعها الأقران.

6. خريطة طريق ملموسة لمدة 90 يوماً

يمكن لخطة مركزة ومحددة زمنياً أن تحشد مجتمعاً يتراوح بين 10 و 50 شخصاً (يمتلك كل منهم وحدة معالجة رسومات (GPU) واحدة على الأقل أو معالج Apple Silicon) لإطلاق جهد بحث تلقائي من أجل الجلوكوما. فيما يلي خطة مقترحة على مراحل:

• الأسبوعان 1-2: التأسيس والإعداد

  • التجنيد والإطلاق: إنشاء قناة اتصال (مثل Slack أو Discord) ومستودع GitHub للمشروع. الإعلان في منتديات مرضى الجلوكوما، ومجموعات الهاكرز البيولوجيين، واجتماعات الذكاء الاصطناعي.
  • فحص الأجهزة: التأكد من قدرة الجميع على تثبيت PyTorch واستنساخ مستودع كارباثي (أو تفريع Maple). عقد جلسة إعداد حيث يقوم كل عضو بتشغيل حلقة بحث تلقائي نموذجية على مجموعة بيانات بسيطة (مثل مجموعة فرعية من CIFAR-10) للتحقق من البيئة.
  • اختيار مجموعة البيانات: تحديد مهمة واحدة إلى ثلاث مهام أولية (مثل تصنيف OCT، تقدم VF). لكل مهمة، تعيين فريق صغير لإعداد البيانات: على سبيل المثال، يقوم فريق بتنزيل صور RIM-ONE (github.com)، وفريق آخر يسترد حقول GRAPE (www.nature.com)، وآخر يجمع ملخصات الأدبيات. يجب على الفرق تقسيم البيانات بنسبة 80/20 وإنشاء قوالب prepare.py الأولية.
  • النماذج الأساسية: لكل مهمة، إنهاء ملف train.py بسيط: على سبيل المثال، شبكة عصبية تلافيفية صغيرة لـ RIM-ONE، وشبكة بيرسيبترون متعددة الطبقات لـ VFs. اختيار مقاييس التقييم (AUC، Dice، MSE).
  • الصياغة الأولية لـ program.md: يكتب كل فريق ملف تعليمات أولية (program.md) يحدد الهدف والتغييرات المسموح بها. على سبيل المثال، لـ RIM-ONE: "تعظيم AUC للكشف عن الجلوكوما"، لـ GRAPE: "تقليل MSE لـ VF".

• الأسابيع 3-6: دورات التجارب الأولى

  • تشغيل حلقات البحث التلقائي: تقوم كل مجموعة فرعية بتشغيل الوكيل على مهمتها طوال الليل (حوالي 100 تشغيل مدة كل منها 5 دقائق). استخدم ملف program.md واحداً للبدء، ثم دع المشاركين يضيفون اختلافات (مثل "program_temp1.md").
  • جمع النتائج: في كل صباح، تقوم الفرق بفحص السجلات (المستودع يسجل تلقائياً كل تشغيل). سجل أفضل مقياس تم تحقيقه، ومعلمات النموذج في ذلك الوقت، وأي تغييرات ملحوظة وجدها الوكيل. للشفافية، ادفع هذه النتائج إلى GitHub المشترك (ربما في ملف CSV أو JSON).
  • التكرار والتغذية الراجعة: قارن بين التشغيلات. هل تغلبت أي استراتيجية على الخط الأساسي بشكل كبير؟ إذا لاحظ فريق فرعي تقدماً قليلاً، يجب عليهم تعديل program.md (على سبيل المثال، أن يكونوا أكثر عدوانية في تغييرات معدل التعلم). في نهاية كل أسبوع، قم بتجميع النتائج في اجتماع مجتمعي.
  • الأدوات: استخدم Git للتحكم في الإصدارات لـ program.md وقوالب الكود. فكر في استخدام جدول بيانات Google مشترك أو جدول ويكي للوحات الصدارة (على سبيل المثال، "OCT-AUC: الأفضل = 0.85 بواسطة أليس؛ VF-RMSE: الأفضل = 2.1 بواسطة بوب"). هذا يحفز المنافسة الصحية والشفافية.

• الأسابيع 7-12: التحسين والتواصل

  • تحسين التجارب: بناءً على النتائج المبكرة، قم بتحسين المهام الواعدة. على سبيل المثال، ربما تجاوز مصنف RIM-ONE قيمة AUC 0.90 – الآن حاول إضافة تكبير للبيانات أو شبكة أعمق قليلاً. شجع التفريع: يمكن للبعض تجربة معماريات مختلفة (مثل Vision Transformer صغير بدلاً من CNN). يمكن للوكلاء تشغيل عدة إصدارات من program.md بالتوازي.
  • تجميع النتائج: أنشئ تقارير قصيرة حول كل مجال (OCT، VF، إلخ)، تلخص ما نجح. على سبيل المثال، "لقد حسّنا معامل دايس لتجزئة GCC من 0.60 إلى 0.75 عن طريق التحول من تنشيط ReLU إلى GELU." استخدم لغة بسيطة حتى يتمكن غير الخبراء من المتابعة (مسرد لمصطلحات التعلم الآلي).
  • عرض مجتمعي: بحلول الأسبوع العاشر، اكتب منشوراً في مدونة أو عرض شرائح يلخص المبادرة حتى الآن. سلط الضوء على أي نتائج غير تافهة (حتى النتائج "الصفرية" مفيدة للمشاركة). ادعُ إلى التعليقات من المنتديات عبر الإنترنت؛ ربما اتصل بباحث تطلب تعليقاته ("وجدنا أن تعديلات الشبكة العصبية X تساعد في تصنيف الجلوكوما المبكر – هل لديك أي أفكار حول ما إذا كان هذا يتماشى مع الفسيولوجيا؟").
  • خطة التواصل: حدد مختبر أو اثنين في طب العيون أو أطباء مهتمين بالتعاون. تواصل معهم بالنتائج الأولية. على سبيل المثال، تواصل مع مؤلفي مجموعة بيانات HYGD أو فريق GRAPE على Twitter/LinkedIn، واذكر نتائجك كمواطن عالم. استكشف إمكانيات التحقق المشترك (على سبيل المثال، أرسل لهم أوزان النموذج المدرب لاختبارها على بياناتهم).

• ما بعد 12 أسبوعاً: الخطوات التالية

  • استمر في تكرار المهام الواعدة والجديدة. على سبيل المثال، إذا أسفر RIM-ONE عن نتائج جيدة، فتناول REFUGUE بعد ذلك. ربما قم ببناء نماذج مركبة (مجموعة من الشبكات العصبية التلافيفية).
  • إضفاء الطابع الرسمي على صفحة مشروع أو نسخة أولية تصف الجهد.
  • فكر في تنظيم هاكاثون لجذب المزيد من العقول، ربما بالشراكة مع جمعية خيرية للجلوكوما.

7. المخاطر والقيود والتقييم الصادق

فكرة البحث التلقائي من أجل الجلوكوما طموحة، لذا تتطلب الصدق بشأن المخاطر المحتملة:

• خطر التجهيز الزائد والأنماط الزائفة: غالباً ما تتشبث النماذج الصغيرة على مجموعات البيانات الصغيرة والصاخبة بالصدف. قد يجد الوكيل تعديلاً يحسن AUC للتحقق ببساطة عن طريق التجهيز الزائد للتفردات. على سبيل المثال، إذا كانت مجموعة فرعية من الصور تحتوي على علامة توضيحية خفية، فقد تستخدم الشبكة ذلك بدلاً من ميزات الجلوكوما الحقيقية. يؤدي هذا إلى "خداع الانحدار التدرجي". للتخفيف:

  • استخدم دائماً مجموعات اختبار مخصصة (منفصلة تماماً عن أي ضبط) للتقييم النهائي.
  • حدد التعقيد: حافظ على النماذج متواضعة، وراقب ما إذا كان الوكيل يقوم بتعميق أو توسيع الشبكة بشكل مفرط وغير معقول.
  • إذا حقق نموذج درجة شبه مثالية بسرعة كبيرة، فاستفهم عن ذلك.
  • استخدم فحوصات السلامة: على سبيل المثال، خلط التسميات ومعرفة ما إذا كان AUC ينخفض إلى العشوائية (إذا لم يكن كذلك، فهناك تسرب).

• التحيز وجودة البيانات: غالباً ما تأتي مجموعات بيانات الجلوكوما العامة من مجموعات سكانية محدودة (مثل ORIGA من سنغافورة) (pubmed.ncbi.nlm.nih.gov). قد لا يتعمم النموذج الذي تم ضبطه على هذه البيانات. يجب أن تلاحظ تجارب المواطنين هذا القيد. من الناحية المثالية، تُستخدم مجموعات بيانات متعددة (من مجموعات سكانية مختلفة) للتحقق مما إذا كانت النتائج قوية.

• النتائج الخاطئة ("مسرح البحث"): يشعر تشغيل الكثير من التجارب بالإنتاجية، ولكن إذا كان كل تحسين يحدث فقط على مجموعات بيانات تركيبية أو تافهة، فقد لا يفيد المرضى. لتجنب ذلك:

  • ركز على المهام ذات الصلة السريرية (على سبيل المثال، الكشف المبكر من OCT الروتيني).
  • اربط النتائج بمقاييس حقيقية عندما يكون ذلك ممكناً (على سبيل المثال، AUC للتقدم، وليس مجرد دلتا خسارة صغيرة).
  • إعطاء الأولوية للتفسير: إذا "وجد" الوكيل مؤشراً حيوياً جديداً، حاول التأكد من أنه منطقي (على سبيل المثال، هل يركز على التغييرات التشريحية المعروفة؟).

• لا يوجد ضمان سريري: يجب أن يكون واضحاً تماماً: مخرجات هذه الحلقات هي توليد فرضيات، وليست نصائح طبية. يجب فحص أي نموذج يقترح دواءً جديداً في المختبر قبل استخدامه للمرضى. المبالغة في الادعاءات خطيرة. قم بتسمية جميع النتائج المشتركة بإخلاء المسؤولية: "هذا استكشاف للذكاء الاصطناعي وليس نتيجة مراجعة الأقران."

• قيود "النموذج الصغير": تتمتع الشبكات الصغيرة جداً بقدرة محدودة. قد تفوت الأنماط المعقدة. على النقيض من ذلك، غالباً ما تشهد النماذج الكبيرة اختراقات ولكنها تتطلب بيانات هائلة. هنا، نقبل نطاقاً محدوداً: الأمل هو أن حتى التحسينات الصغيرة يمكن أن توجه البحث. ولكن لا ينبغي أن نتوقع أن تحل هذه النماذج محل التعلم العميق على البيانات الضخمة. إنها الأفضل في تجربة الأفكار الواضحة بسرعة.

• موثوقية الوكيل: قد يهذي الوكيل (مثل GPT-4) أو ينحرف. من المهم أن تكون النتائج قابلة للتكرار: بعد تشغيل الوكيل، يجب على الإنسان التحقق من التغييرات التي تم الاحتفاظ بها وإعادة تشغيل التدريب لتأكيد المقياس. حافظ على أمانة الوكيل عن طريق تضمين عبارات في program.md مثل "قبول فقط التحسينات الفعلية في مقياس التقييم".

على الرغم من هذه التحديات، فإن الضمان الأساسي هو الشفافية والمتابعة النقدية. وثّق كل شيء. عندما يظهر نموذج نمطاً، تحقق منه. إذا رأى العديد من علماء المواطنين نفس الشذوذ (على سبيل المثال، جميع نماذج AUC العالية لمهمة OCT تؤكد منطقة الشبكية الأنفية)، فإن ذلك يعزز القضية. الهدف هو تسريع مرحلة توليد الأفكار، وليس تجنب العلم الدقيق بعد ذلك.

الخلاصة

الجلوكوما مرض معقد ومسبب للعمى بصمت، وله العديد من الاحتياجات البحثية غير الملباة – بدءاً من حماية الخلايا العصبية وصولاً إلى استعادة البصر. وفي الوقت نفسه، أتاح الذكاء الاصطناعي إضفاء الطابع الديمقراطي على التجارب: يمكن لشخص واحد يمتلك وحدة معالجة رسومات (GPU) وبعض العزيمة إجراء عمليات بحث آلية عن المعلمات الفائقة التي قد تستغرق فرقاً أسابيع يدوياً. يوفر إطار عمل البحث التلقائي (autoresearch) لكارباثي لكل مواطن مساعد مختبر يعمل بالذكاء الاصطناعي. من خلال كتابة أهداف واضحة عالية المستوى في Markdown، يمكن للباحثين في المجتمع السماح لوكيل الذكاء الاصطناعي بمعالجة المنتجات والوصول مباشرة إلى النتائج الواعدة.

لقد أوضحنا كيف يمكن القيام بذلك عملياً: تحديد مهام التعلم الآلي الخاصة بالجلوكوما، واختيار البيانات (صور قاع العين وOCT، حقول الرؤية، مجموعات البيانات الجزيئية)، وتحديد النماذج والمقاييس، واستخدام تعليمات البرنامج لتوجيه البحث. لقد رسمنا خريطة طريق مجتمعية مدتها 90 يوماً وأشرنا إلى جسور التواصل مع الأطباء لضمان أن المخرجات القيمة يمكن أن تفيد علم الجلوكوما الفعلي. النهج هو "علم المواطن" إلى حد كبير: فتح أدوات الاكتشاف العلمي بطريقة سهلة الوصول، مع الاعتماد أيضاً على إشراف الخبراء حيثما يلزم.

الاستشهادات: لقد أشرنا إلى أحدث الموارد في أبحاث الجلوكوما والذكاء الاصطناعي. تستند الحقائق الرئيسية (انتشار المرض، نصف الحالات غير المشخصة (physionet.org))، العلاجات الواعدة (غرسات CNTF (pmc.ncbi.nlm.nih.gov)، تحرير الجينات (pmc.ncbi.nlm.nih.gov))، والمزالق الخفية (الذكاء الاصطناعي في التصوير (pmc.ncbi.nlm.nih.gov)) إلى الأدبيات الحالية. يتم وصف البحث التلقائي نفسه في شرح كارباثي (medium.com) ومراجعته (www.theneuron.ai). يجب أن تضفي هذه المصادر مصداقية على الرؤية الموضحة هنا.

في نهاية المطاف، نأمل أن يشعر القارئ بالتمكين: إذا كنت مريضاً، أو مقدم رعاية، أو هاوياً شغوفاً، فيمكنك أن تكون جزءاً من دفع أبحاث الجلوكوما إلى الأمام. الأدوات والبيانات موجودة، والمشاكل واضحة، ومع التنسيق ووكيل الذكاء الاصطناعي، يمكننا تسريع التعلم. كما هو الحال مع أي بحث، سيكون للرحلة بدايات خاطئة، لكن حتى الإخفاقات تعلمنا شيئاً – غالباً ما توجه العقول البشرية نحو المقاربات الصحيحة. مع عيون مفتوحة على مصراعيها لكل من الإمكانيات والمزالق، يمكن أن يصبح البحث التلقائي بقيادة المواطنين مكملاً قوياً لعلم الجلوكوما التقليدي.

ابدأ هنا

أسهل طريقة للبدء في البحث التلقائي للجلوكوما اليوم: قم بإجراء تصنيف صغير على صور قاع العين من ORIGA.

1. احصل على البيانات: قم بتنزيل مجموعة بيانات ORIGA-light (650 صورة لقاع العين مصنفة كـ طبيعية مقابل جلوكوما) (pubmed.ncbi.nlm.nih.gov). قسمها بنسبة ~80% للتدريب / 20% للتحقق.

2. النموذج الأولي: استخدم أو عدّل السكربت النموذجي من [karpathy/autoresearch] لتصنيف الصور. على سبيل المثال، بعض الأكواد لتحميل صور ORIGA وتدريب شبكة CNN صغيرة (2-3 طبقات تلافيفية) للتمييز بين الجلوكوما والسليم.

3. اكتب program.md: في النص، حدد الهدف لـ "تعظيم AUC التحقق لاكتشاف الجلوكوما", وأرشد الوكيل بأنه يمكنه تعديل عمق النموذج، معدل التعلم، إلخ. على سبيل المثال:

   الهدف: تعظيم AUC على الجلوكوما مقابل الطبيعي لمجموعة بيانات ORIGA.

   يجب أن يحاول الوكيل تعديل أحجام الطبقات التلافيفية، عدد المرشحات، ومعدل التعلم. كل تجربة تستغرق 5 دقائق من التدريب. إذا تحسن AUC التحقق، احتفظ بالتغيير. كرر.

4. شغل الحلقة: أطلق البحث التلقائي (وجّهه إلى ملفات prepare.py و train.py و program.md الخاصة بك). دعه يعمل لعدة ساعات أو طوال الليل على بطاقة RTX 3060 الخاصة بك. سيقوم بإجراء حوالي 100 تجربة تلقائياً.

5. تحقق من النتائج: افحص وحدة التحكم أو السجل لترى أفضل AUC تحقق تم تحقيقه (يجب أن يكون >0.8 إذا سارت الأمور على ما يرام). لديك الآن نموذج وسكربت تدريب قام وكيل الذكاء الاصطناعي بتحسينهما.

تمنحك هذه التجربة البسيطة في عطلة نهاية الأسبوع بالفعل خبرة مباشرة في بناء خط أنابيب تعلم آلي دون كتابة كود جديد يدوياً. وثّق ما جربته وشارك ملف program.md ونتائجك مع المجتمع. كل نجاح صغير (ارتفاع AUC، تغييرات شبكة مثيرة للاهتمام) هو لبنة بناء. أنت حرفياً تُوجِّه ذكاءً اصطناعياً لـ القيام ببحث حول مشكلة الجلوكوما التي تختارها – وبذلك، تتعلم علوم بيانات الجلوكوما ولديك أمل في إحداث فرق في فهم أو علاج فقدان البصر.

حظاً سعيداً! حافظ على الأسئلة والنتائج مفتوحة المصدر، وتذكر: هذه أدوات بحثية ترفيهية، وليست نصائح طبية. تحقق من عمليات التشغيل الخاصة بك بعناية واستمتع بعملية الاكتشاف.

**`