العين ملتهبة، والقرنية تغشى. يحتاج الطبيب إلى أن يفهم على وجه السرعة من هو المسبب — بكتيريا أم فطر. الدواء يتوقف على ذلك. الخطأ يكلف البصر. لكن الإجابة التقليدية من المختبر تأتي بعد عدة أيام، وفي المناطق النائية قد لا تأتي إطلاقًا.
اقترح باحثون من الولايات المتحدة والهند طريقًا آخر: ثلاث صور بالمصباح الشقي — وهو جهاز متوفر في أي عيادة عيون تقريبًا. لقطة واحدة بالضوء الأزرق، وأخرى بالضوء المنتشر، وثالثة بالضوء الأبيض العادي. هذه "النظرات" الثلاث إلى نفس الغشاوة تحمل معلومات مختلفة — مثل ثلاثة مترجمين يسمعون خطابًا واحدًا لكنهم يلتقطون درجات مختلفة من المعنى. النموذج، المسمى TPMKA، يتعلم مطابقة هذه الدرجات. أولاً يتدرب على أزواج من صور لنفس المريض ليفهم ما هو مشترك بينها وما هو خاص بإضاءة معينة. ثم يضبط نفسه لمهمته، وأخيرًا يدمج تدفقات البيانات الثلاثة في قرار واحد.
النتيجة — دقة 86%. تبدو متواضعة، لكنها في عيادة حقيقية دعم جاد. المهم بشكل خاص أن المؤلفين اختبروا النموذج بصدق: عندما قُيّم على صور من بلد آخر ومستشفى آخر، انخفضت الدقة. هذا طبيعي: الكاميرات، والإعدادات، وحتى درجة لون بشرة المريض تؤثر على الصورة. لكن حتى بعد إعادة فحص صارمة مع موازنة البيانات، بقي TPMKA الأفضل بين جميع الأساليب المختبرة. ثلاث صور، ثلاث ثوانٍ — ويحصل الطبيب على تلميح من أين يبدأ العلاج بينما لا يزال المختبر يحضّر المزرعة.
كما كتبه المؤلفون، بالإنجليزية arXiv:2607.03740
Microbial keratitis requires rapid pathogen identification to guide treatment, but culture- and PCR-based diagnostics are slow and resource-intensive. We developed a triple-phase multimodal framework for bacterial-versus-fungal keratitis classification using slit-lamp photographs acquired under blue-light, sclerotic-scatter, and white-light illumination, together with clinical metadata. The model combines cross-modality contrastive learning, modality-specific fine-tuning, and feature-level multimodal ensemble learning for patient-level prediction. We evaluated the framework on a multicenter dataset of 1,645 patients and 17,158 images from India and the United States. The model achieved 85.84% accuracy, 84.46% average F1-score, and 0.885 AUC. Site-specific evaluation showed that pooled results were overly optimistic, whereas resampling- and balance-based re-evaluation provided a more realistic assessment of cross-site generalization. Under all settings, our framework remained the top-performing approach. The code is available at https://github.com/yqwang01/TPMKA and dataset access will be provided subject to University of Michigan data-sharing clearance.
الضوء الأزرق عند تصوير العين ليس ترفًا. إنه يجعل الأنسجة التالفة في القرنية تتوهج (تتألق)، وهذا التوهج يختلف بين البكتيريا والفطريات.