DermNet: بنية متكاملة CNN‑ViT لتخفيف التحيز في تشخيص الأمراض الجلدية باستخدام تجزئة الآفات غير الخاضعة للرقابة المتقدمة

لماذا يهم تشخيص البشرة الفاتحة والعادلة

تمس أمراض الجلد الجميع تقريبًا في مرحلة ما من حياتهم، من حبّ الشباب والأكزيما إلى حالات أكثر خطورة. ومع ذلك، فإن هذه المشكلات أصعب في الرصد وأكثر عرضة للخطأ في التشخيص لدى كثيرين ذوي البشرة البنية والداكنة، سواء في العيادات أو عبر أدوات الذكاء الاصطناعي. يقدم هذا البحث DermNet، نظام ذكاء اصطناعي جديد مصمّم للتعرّف على أمراض الجلد بمزيد من الإنصاف عبر درجات لون البشرة المختلفة عن طريق تعليم الحاسوب أن يركّز على المنطقة المصابة نفسها بدلاً من لون الجلد المحيط.

المشكلة في نهج واحد يناسب الجميع لذكاء الجلد

تُدرَّب معظم أنظمة الذكاء الاصطناعي الحالية لتشخيص الجلد على صور تميل بشكل كبير إلى البشرة الفاتحة. عندما تُستخدم هذه الأنظمة نفسها على أشخاص ذوي بشرة أغمق، تنخفض دقتها بنسبة 8–12%. في الواقع، قد يعني هذا الفارق تفويت علامات تحذيرية مبكرة وتأخير العلاج. كما أن جمع مجموعات صور طبية متوازنة أمر صعب: تتوزع الصور عبر مستشفيات متعددة، وتقوم بعض البلدان بقليل من التوثيق الرقمي، ووضع الوسوم من قبل أطباء الجلدية يتطلب وقتًا وتكلفة. نتيجة لذلك، يتعلّم الذكاء الاصطناعي اختصارات، مثل ربط أمراض معينة أساسًا بالبشرة الشاحبة، بدلًا من فهم شكل الآفة فعليًا.

تعليم الحاسوب أن يرى موضع المشكلة فقط

يتعامل المؤلفون مع هذا التحيز من مصدره: الصورة نفسها. بدلًا من إدخال صور كاملة للأذرع أو الوجوه أو الساقين إلى الذكاء الاصطناعي، يقومون أولًا بقص المنطقة المريضة — الآفة — تلقائيًا، مهما كان لون الجلد المحيط. لتحقيق ذلك، يجمعون أداة مفتوحة المصدر قوية تُسمى Segment Anything (التي يمكنها تحديد محيط الأجسام دون تدريب خاص) مع طرق معالجة صور كلاسيكية تبرز فروق اللون والسطوع. عبر تبديل فضاءات الألوان وتطبيق عتبات تلقائية بذكاء، ينتجون «أقنعة» بالأسود والأبيض تفصل الآفة عن الجلد الطبيعي. والملفت أن هذه السلسلة غير الخاضعة للرقابة تحقق نحو 90% من التداخل مع مخططات تحديد الآفات ذات جودة الخبراء عبر درجات البشرة الفاتحة والداكنة، دون الاعتماد على أقنعة تدريب مرسومة يدويًا.

شبكة أدق وأخف لأمراض الجلد

بعد عزل الآفة، يتولى DermNet المهمة. يجمع هذا المصنّف بين فكرتين شائعتين في الذكاء الاصطناعي: الشبكات العصبية الالتفافية (CNN)، الجيدة في اكتشاف الحواف والملمس، ومحولات الرؤية (ViT)، المتفوّقة في استيعاب أنماط بعيدة المدى عبر الصورة. يستخدم DermNet أولًا طبقتين خفيفتين فقط من CNN لاستخراج التفاصيل الدقيقة من الآفة المقتطعة، ثم يمرّر هذه الأنماط إلى محول يتعلّم كيف ترتبط أجزاء الآفة ببعضها. وبما أن النظام لم يعد بحاجة إلى تحليل صور كاملة للجسم، فيمكنه أن يكون صغيرًا — نحو 2.5 مليون وسيط، أقل من 10 ميغابايت — ومع ذلك يتفوّق على نماذج صور أكبر مستخدمة على نطاق واسع.

بناء مجموعة بيانات أكثر عدلاً خلف الكواليس

لتدريب واختبار DermNet، دمج الفريق مجموعتين معلمتين من أطباء الجلد في ما أطلقوا عليه مجموعة البيانات SkinCon. بعد اشتراط وجود ما لا يقل عن 20 صورة لكل مرض، حصلوا على 3,643 صورة تغطي 122 حالة، مع نحو ثلث لكل من أنواع البشرة الفاتحة والبنية والداكنة. وسعوا هذه المجموعة كذلك عبر تحويلات بسيطة، مثل التدوير وتغيير السطوع، لتقليل الإفراط في الملاءمة وتحسين المتانة. باستخدام هذه المجموعة المتنوِّعة والمنقّحة، وجدوا أن التدريب على صور كاملة غير مقطوعة أدى إلى تعلم غير مستقر ودقة تحقق تتراوح حول 50–56%. وعندما انتقلوا إلى مدخلات الآفة فقط، قفز الأداء: وصلت DermNet إلى نحو 81% دقة تحقق وباستمرار أكبر عبر مجموعات درجات البشرة الثلاث.

من خط الاختبار إلى مساعد في الجيب

لإظهار كيف يمكن أن يعمل ذلك عمليًا، بنى الباحثون تطبيقًا تجريبيًا للهاتف المحمول. يلتقط المستخدم أو يحمّل صورة لمنطقة جلدية مريبة؛ يقوم النظام تلقائيًا بتجزئة الآفة، ويشغّلها عبر DermNet، ويعرض ثلاثة تشخيصات محتملة مع احتمالاتها — خلال أقل من 20 ثانية — مع ترك الحكم النهائي للطبيب الجلدي. وعلى الرغم من أنه ليس بديلاً للطبيب، يمكن لمثل هذه الأدوات أن تشير إلى مرض في مراحله المبكرة، خاصة في المناطق التي يندر فيها أطباء الجلد، وتساعد على توجيه وقت الأخصائيين المحدود إلى الحالات الأكثر إلحاحًا.

ماذا يعني هذا للمرضى العاديين

الخلاصة لغير المختصين هي أن الذكاء الاصطناعي لا يجب أن يكون «أعمى للون» بمفهوم ساذج؛ بل يمكن توجيهه للنظر إلى الشيء الصحيح: الآفة نفسها. من خلال إزالة تأثير لون الجلد الخلفي والتركيز على المنطقة المريضة، تُظهر هذه الدراسة أنه من الممكن بناء نموذج نحيف ودقيق يعامل صور البشرة الفاتحة والبنية والداكنة بمزيد من المساواة. يعد DermNet خطوة مبكرة نحو تطبيقات وأنظمة تشخيص الأمراض الجلدية التي تعمل بشكل موثوق للجميع، وليس فقط لأولئك الذين تتطابق بشرتهم مع غالبية الصور الطبية الموجودة.

الاستشهاد: Imran, M.H., Shahid, M., Aazam, M. et al. DermNet: integrative CNN-ViT architecture for bias mitigation in dermatological diagnostics using advanced unsupervised lesion segmentation. Sci Rep 16, 5291 (2026). https://doi.org/10.1038/s41598-026-35697-x

الكلمات المفتاحية: تشخيص أمراض الجلد, التحيز في الذكاء الاصطناعي الطبي, تجزئة الآفات, تصوير الأمراض الجلدية, محول رؤية