تصنيف دقيق لآفات الجلد على صور درموسكوبية غير متوازنة وعالية التباين عبر إطار SCTFD

لماذا تهم فحوصات الجلد الأذكى

سرطان الجلد من أكثر أنواع السرطان شيوعًا، ولكنه أيضًا من الأكثر قابلية للشفاء إذا تم اكتشافه مبكرًا. يعتمد أطباء الجلدية بشكل متزايد على صور مكبرة للشامات والبقع، تُلتقط باستخدام مكبر محمول يُسمى درماتوسكوب، لتحديد أيها خطير. ومع ذلك، فإن قراءة هذه الصور أمر صعب حتى على الخبراء، والحواسيب التي قد تساعدهم غالبًا ما تعثر لأن بعض أنواع السرطان نادرة وقد تبدو الآفات مختلفة جدًا من مريض لآخر. تقدم هذه الدراسة إطارًا جديدًا للذكاء الاصطناعي اسمه SCTFD، مصممًا لجعل تصنيف آفات الجلد بالحاسوب أكثر دقة وموثوقية في هذه الحالات الصعبة بالذات.

تحدي البقع الجلدية النادرة والمعقدة

مجموعات صور الجلد الواقعية بعيدة عن التوازن. الشامات الشائعة، والغالبًا غير الضارة، تظهر آلاف المرات في بيانات التدريب، بينما تظهر السرطانات الخطيرة مثل الميلانوما أو الأورام النادرة بضع مئات من المرات أو أقل. في الوقت نفسه، قد تبدو الآفات لنفس المرض مختلفة جدًا في الحجم واللون والشكل. تميل أنظمة الذكاء الاصطناعي القياسية إلى الإفراط في التوافق مع الأنماط الشائعة وتغفل النماذج النادرة، وهو أمر خطير في الطب: من الأفضل أن يُخطئ النظام بعدم الإيلاء لشمّاعة غير ضارة من أن يتجاهل ميلانوما. الاستراتيجيات التقليدية، مثل نسخ الصور النادرة ببساطة أو مزجها، أو استخدام نماذج توليدية معقدة، لها حدود في الواقعية أو الاستقرار أو تكلفة الحوسبة. بُني SCTFD خصيصًا للتعامل مع هذا الاختلال والتباين مع الاحتفاظ بالكفاءة الكافية للاستخدام العملي.

ابتكار أمثلة تدريبية أفضل

الركيزة الأولى في SCTFD هي مولد بيانات يسمى CN-SMOTE. بدلًا من مجرد الاستيفاء بقيم البكسل أو تدريب شبكة توليدية عدائية هشة، يستخدم CN-SMOTE زوجًا من مشفر وفك تشفير: شبكة تضغط الصورة الدرموسكوبية إلى رمز داخلي مضغوط، وأخرى تعيد بنائها إلى صورة. بمجرد تعلم هذا الفضاء المضغوط، يجد الأسلوب الجيران القريبين بين آفات الفئات النادرة ويجري استيفاءً بين رموزهم، ثم يفك تشفير هذه الرموز المختلطة إلى صور جديدة. عقوبة تدريب خاصة تحافظ على قرب الرموز الداخلية لآفات من نفس النوع، بحيث تظل الصور الصناعية واقعية ومخلصة لمرضها الأساسي. النتيجة هي مجموعة أكبر وأكثر توازنًا من الصور الدرموسكوبية تمثل فيها الأنواع النادرة ولكن المهمة من الآفات تمثيلًا أفضل.

رؤية التفاصيل والصورة الأكبر معًا

المكوّن الثاني، MARD-Net، يركّز على تحويل كل صورة إلى مجموعة غنية من الميزات الدالة. طبقات الالتفاف تعمل كمكبرات قابلة للضبط تلتقط أنماطًا دقيقة مثل الحواف والملمس. فوق ذلك، يعلّم مكوّن الانتباه الشبكة التركيز على المنطقة الصغيرة حيث توجد الآفة فعليًا، مُهمّشًا الجلد السليم المحيط الذي قد يشتت النموذج. أخيرًا، مرحلة مبنية على المُحولات (Transformer) تنظر عبر الصورة بأكملها لالتقاط العلاقات بين أجزاء بعيدة من الآفة، مثل كيفية تنظيم الألوان والهياكل المختلفة. ولتجنب الحوسبة الكبيرة المرتبطة عادةً بالمحولات، يقدم المؤلفون استراتيجية نافذة منزلقة تتيح للنموذج الحصول على رؤية واسعة للآفة مع إجراء حسابات انتباه مُركّزة في مناطق محددة، مما يجعله أسرع وأكثر كفاءة في استخدام الذاكرة.

توجيه النموذج للتعامل بإنصاف مع كل فئة

الركيزة الثالثة في SCTFD هي هدف تدريبي جديد يسمى FDLoss، الذي يوجّه الذكاء الاصطناعي حول كيفية تعديل نفسه أثناء التعلم. بدلًا من معاملة كل صورة على قدم المساواة، يؤكد FDLoss على الحالات الصعبة والنادرة حتى لا يتمكن النموذج من "الاعتماد" على الأداء الجيد في الحالات الوفيرة والسهلة. يمزج أفكارًا من قاعدتين شائعتين للتقييم: إحداهما تكافئ التوازن الجيد بين الحساسية والدقة، وأخرى تُقلل وزن الأمثلة التافهة التي يصنفها الشبكة بالفعل بشكل صحيح. بالإضافة إلى ذلك، يضيف FDLoss حدًا يشجع صورًا من نفس المرض على تشكيل مجموعات ضيقة في الفضاء الداخلي للنموذج، بينما يدفع الأمراض المختلفة إلى مزيد من التباعد. يجابه هذا المزيج مباشرةً كلًا من اختلال الفئات والتباين الكبير داخل كل فئة الذي يربك المصنفات عادةً.

مدى أداء النهج الجديد

اختبر المؤلفون SCTFD على معياري الصور الجلدية الدوليين المستخدمين على نطاق واسع، ISIC 2018 وISIC 2019، اللذين يحتويان على عشرات الآلاف من صور الدرموسكوب السريرية الحقيقية عبر سبعة وثمانية أنواع من الآفات على التوالي، ومتحيزان بقوة نحو الشامات الشائعة. بالمقارنة مع عدة طرق متقدمة، حقق SCTFD دقة أعلى وتوازنًا ملحوظًا أفضل بين التقاط الإيجابيات الحقيقية وتجنب الإنذارات الكاذبة. حسّن الدقة الكلية إلى نحو 93% في ISIC 2018 و91% في ISIC 2019، ورفع مقياس F1 — مقياس يوازن بين الإغفالات والأخطاء في الوسم — متجاوزًا جميع الأنظمة المتنافسة. أظهرت التصورات أن وحدات الانتباه تركز بدقة على مناطق الآفة وأن الميزات الخاصة بالأمراض المختلفة تصبح أكثر انفصالًا ووضوحًا بعد التدريب.

ماذا يعني هذا للمرضى والأطباء

بالنسبة للمرضى، يعد SCTFD بوجود رأي ثانٍ أكثر موثوقية عندما يظهر بقعة مريبة على الجلد. من خلال توليد أمثلة واقعية لأورام نادرة، والتركيز على أكثر أجزاء كل صورة معلوماتية، والتدريب باستخدام دالة خسارة تجبر على فصل واضح بين أنواع الأمراض، يقلّل الإطار من خطر أن تتجاهل الأنظمة الآلية آفات خطيرة لمجرد أنها نادرة أو غير نمطية. وبينما لا يحل محل حكم طبيب الجلدية، قد يخفض هذا النهج حاجز الحصول على تشخيص مبكر ودقيق في العيادات ومنصات التطبيب عن بُعد، ما قد يؤدي إلى اكتشاف سرطانات جلدية مهددة للحياة في وقت أبكر وبطريقة أكثر اتساقًا.

الاستشهاد: Li, X., Ouyang, J., Chen, Y. et al. Accurate skin lesion classification on imbalanced dermoscopic images with high variance via the SCTFD framework. Sci Rep 16, 12302 (2026). https://doi.org/10.1038/s41598-026-37846-8

الكلمات المفتاحية: كشف سرطان الجلد, الذكاء الاصطناعي في الدرموسكوبي, تصنيف الصور الطبية, مجموعات بيانات غير متوازنة, التعلم العميق في الأمراض الجلدية