FaceMesh2HPO: كيف تتحول صورة وجه عادية إلى خارطة ثلاثية الأبعاد لكشف الأمراض الجينية النادرة

طوّر فريق بحثي نظاماً جديداً يحمل اسم FaceMesh2HPO، قادراً على تحويل صورة وجه عادية ثنائية الأبعاد (2D) إلى شبكة ثلاثية الأبعاد (3D Mesh) تكشف عن ملامح فينوتيبية (Phenotypic Traits) مرتبطة باضطرابات جينية، وربطها مباشرة بمعجم النمط الظاهري البشري (Human Phenotype Ontology - HPO)، المعيار الذي يعتمد عليه الأطباء فعلياً في التشخيص.

يعمل النظام على استخراج 478 نقطة مرجعية (Landmarks) من كل صورة وجه، ليبني منها تمثيلاً ثلاثي الأبعاد كثيفاً للمريض من صورة واحدة فقط. هذه الشبكة ثلاثية الأبعاد تُغذّى بعد ذلك إلى مصنّف هرمي (Hierarchical Classifier) مبني على تقنية "PointNet"، يمر عبر فئات المرض المختلفة بشكل تدريجي، مستبعداً الخصائص غير ذات الصلة تباعاً، حتى يصل إلى مصطلحات HPO الدقيقة. الهدف من كل هذا هو تزويد الأطباء بأداة دعم قرار (Decision-Support Tool) تشير إلى علامات جمجمية-وجهية دقيقة، وهي إشارات يتعلم أطباء الجينات ذوو الخبرة رصدها تدريجياً، لكنها قد تفوت بسهولة على من لم يتلقّ تدريباً متخصصاً.

بناء نموذج بهذه الحساسية يتطلب بيانات مرجعية سريرية دقيقة (Ground Truth)، لا تخمينات جماعية عبر الإنترنت. لذلك جمع الفريق تعليقات توضيحية (Annotations) من 124 طبيباً سريرياً، غطت 10 اضطرابات جينية مختلفة و107 مصطلحات فردية من HPO، وهو حجم توثيق طبي متخصص نادر في أبحاث تحليل ملامح الوجه، ما يمنح قاعدة البيانات ثقلاً تشخيصياً حقيقياً.

نتائج متفاوتة لكن ذات دلالة

سجّلت أفضل النماذج درجات في مقياس (AUROC) تراوحت بين 0.55 و0.89 تقريباً، بحسب المصطلح المستهدف تحديداً. هذا التفاوت يحمل رسالة واضحة: كانت دقة التصنيف أعلى بثبات عند العقد الأساسية في هرمية HPO (فئات عامة مثل "شكل الوجه غير الطبيعي")، مقارنة بالمصطلحات الفرعية الدقيقة الأعمق في الشجرة التصنيفية. هذا النمط يشير إلى أن النموذج أفضل في التقاط أن هناك خللاً فينوتيبياً ما، لا في تحديد السمة الدقيقة المسؤولة عنه بالضبط، وهي إشكالية تتكرر في تحديات أخرى ضمن التصنيف الطبي الهرمي.

أضاف التحقق الخارجي (External Validation) طبقة أخرى من التعقيد. فعند اختبار النموذج على بيانات خارج توزيع التدريب الأصلي، تباينت قدرته على التعميم (Generalizability) بشكل ملحوظ بين الاضطرابات العشرة المدروسة؛ بعض الحالات انتقلت بنتائج جيدة إلى مجموعات مرضى جديدة، بينما شهدت حالات أخرى تراجعاً واضحاً في الأداء. هذا التضارب يسلّط الضوء على معضلة متكررة في الذكاء الاصطناعي الطبي: الأداء الجيد على مجموعة بيانات منتقاة بعناية لا يضمن سلوكاً مماثلاً على الفئة السكانية الأوسع والأكثر تعقيداً التي سيخدمها النظام في الواقع.

لماذا يهم هذا الأمر

تحليل ملامح الوجه ليس فكرة جديدة في عيادات الأمراض الجينية، حيث يعتمد الأطباء منذ سنوات على التقييم البصري للملامح الجمجمية-الوجهية لتضييق نطاق المتلازمات المحتملة. إسهام FaceMesh2HPO يكمن في تحويل هذه الممارسة إلى عملية حاسوبية منظمة، مرتبطة بمعيار HPO الذي يشكّل أساس جزء كبير من أنظمة المعلوماتية الجينومية السريرية. وإذا خضعت هذه الأداة لمزيد من التطوير، فقد تساعد في رصد المرشحين للفحص الجيني في مراحل أبكر، خصوصاً في المناطق التي يشح فيها وجود أطباء متخصصين في الجينات.

الورقة البحثية، التي قُدّمت إلى أرشيف arXiv في 6 يوليو 2026، تصف هذا العمل بأنه إثبات مفهوم (Proof of Concept) مبكر لكنه سليم من الناحية البنائية، لا أداة تشخيص جاهزة للاستخدام السريري الفعلي. الفارق بين دقة العقد الأساسية والمصطلحات الفرعية، إلى جانب تفاوت نتائج التحقق الخارجي، يحدد بوضوح أين يجب أن يتركز العمل المستقبلي: توسيع تغطية الاضطرابات، تحسين دقة تحديد المصطلحات الفرعية، واختبار النموذج بشكل مكثف على فئات سكانية أكثر تنوعاً قبل أن يصبح مؤهلاً لدعم قرارات سريرية حقيقية.