تقدّم في تصنيف الصدفية باستخدام خوارزميات التعلم بالنقل المخصصة

لماذا يشكل تشخيص الجلد الأذكى أهمية

الصدفية أكثر من مجرد طفح عنيد. يمكن أن تتسبب هذه الحالة الجلدية المزمنة في تشقق ونزف وحكة، وحتى تلف المفاصل، مما يعطل النوم والعمل والحياة الاجتماعية. ومع ذلك لا يزال الأطباء يشخّصونها في الغالب بالعَيْن، وهو أسلوب قد يكون بطيئاً وذوية عالية في التحيّز — خاصة عندما تظهر المرض بأشكال مختلفة في أجزاء مختلفة من الجسم. تستكشف هذه الدراسة كيف يمكن للذكاء الاصطناعي الحديث أن يساعد: من خلال تدريب برامج حاسوبية على تمييز سبعة أنواع مميزة من الصدفية من صور الجلد، بدقة تضاهي وفي المستقبل قد تدعم الأطباء المتخصصين.

مرض واحد، وجوه عديدة

الصدفية لا تبدو بنفس الشكل لدى الجميع. ركز الباحثون على سبعة أنماط فرعية: اللويحي (الرقع المتقشرة التقليدية)، القطيري (بقع صغيرة شبيهة بالقطرات)، صدفية الأظافر، الصدفية البثورية (نتوءات شبه حبوب مملوءة بالقيح)، الصدفية المحمرة الشاملة (احمرار واسع وناري)، الصدفية العكسية (بقع حمراء ملساء في طيات الجلد)، والتهاب المفاصل الصدفي الذي يجمع تغيّرات جلدية مع مفاصل مؤلمة ومتورمة. يهم التمييز بين هذه الأنواع لأن كل نوع قد يستدعي علاجات مختلفة ويشير إلى مخاطر مغايرة. ومع ذلك، قد تتداخل الأعراض فيما بينها ومع أمراض جلدية أخرى، مما يجعل التشخيص البصري تحدياً، خاصة خارج عيادات الاختصاص.

بناء مكتبة صور غنية

لتعليم الحواسيب التفرقة بين هذه الأنماط الفرعية، اضطر الفريق أولاً إلى تجميع بيانات مناسبة. نادراً ما تضع مجموعات صور الجلد العامة تسميات لنمط الصدفية المحدد، وبعض الأشكال أندر بكثير من غيرها. جمع المؤلفون 4005 صورة من عدة مستودعات صور طبية مفتوحة، بما في ذلك ISIC وHAM10000 وDermNet. ثم صنفوا كل صورة إلى واحدة من فئات الصدفية السبع. ولمنع الحاسوب من الإفراط في التعلم على الأنواع الشائعة وتجاهل النادرة، استخدموا «توسيع الصور»: إنشاء نسخ متنوعة من الصور عن طريق تدويرها وتكبيرها وقلبها. جعلت هذه الخطوة البيانات أكثر توازناً عبر الفئات السبع وساعدت النماذج على تعلم أنماط قوية بدلاً من حفظ أمثلة متكررة قليلة.

تعليم الآلات قراءة الجلد

بدلاً من الانطلاق من الصفر، اعتمد الباحثون على التعلم بالنقل. أخذوا ثلاثة أنظمة قوية للتعرف على الصور—ResNet50 وInceptionResNetV2 (المشار إليه هنا باسم InceptionV2) وInceptionV3—التي تم تدريبها أصلاً على ملايين الصور اليومية، وقاموا بضبطها الدقيق على صور الصدفية. قبل إدخال الصور، قاموا بتوحيد كل صورة إلى حجم ثابت وتطبيع قيم البكسل. ثم جمدوا معظم الطبقات الداخلية، وأضافوا طبقات «عليا» جديدة مخصصة لأنواع الصدفية السبع، ودربوا هذه الإضافات على مجموعة البيانات المعدّلة. تمت مقارنة اثنين من إجراءات التدريب الشائعة، وهما مُحسّنا Adam وRMSprop، لمعرفة أيهما ينتج تعلماً أكثر موثوقية.

أي ذكاء اصطناعي يتعلم الصدفية أفضل؟

تمكنت النماذج الثلاثة جميعها من تمييز أنواع الصدفية بدقة واعدة، لكن أحدها برز بوضوح. أدّى نموذج ResNet50 أداءً معقولاً، مصنّفاً نحو أربعة من كل خمسة صور اختبار بشكل صحيح. أدّى InceptionV2 بشكل أفضل بكثير، حيث بلغ نحو 97% دقة على بيانات الاختبار غير المرئية عند تدريبه بمُحسّن RMSprop. جاءت أقوى النتائج من InceptionV3، أيضاً مزوّداً بـRMSprop: حيث حدّد النمط الفرعي بشكل صحيح حوالي 99% من صور الاختبار، وكانت قياسات الدقة والحساسية (كم مرة كانت توقعاته الإيجابية وكشوفه صحيحة) مرتفعة بالمثل. أظهرت أدوات الشرح البصري، التي تبرز مناطق الصورة التي تقود قرار الذكاء الاصطناعي، أن النموذج ركز على مناطق آكلية ذات معنى سريري بدلاً من الخلفية غير ذات الصلة، وهو مؤشر مشجع لبناء الثقة السريرية في المستقبل.

ماذا قد يعني هذا للمرضى

بالنسبة للأشخاص الذين يعيشون مع الصدفية، لا تحل هذه التقدّمات محل أخصائي الجلد، لكنها قد توفّر قريباً مجموعة قوية ثانية من العيون. يمكن لنظام آلي دقيق قادر على تصنيف صور الجلد إلى أنماط فرعية مفصّلة أن يدعم التطبيب عن بُعد، ويساعد الأطباء غير المتخصصين في المناطق النائية، وينبه الحالات المعقدة أو الشديدة مبكراً. ويشدّد المؤلفون على أن أداتهم لا تزال بحاجة إلى اختبار على صور سريرية من الواقع العملي وعلى ألوان بشرة وكاميرات متعددة. ومع ذلك، تُظهر دراستهم أن الذكاء الاصطناعي المدرب بعناية—وخاصة نموذج InceptionV3—يمكنه التمييز بثقة بين سبعة أشكال من الصدفية، فاتحاً الباب لتشخيص أسرع وأكثر اتساقاً وفي النهاية رعاية أكثر تخصيصاً.

الاستشهاد: Lakshmi, L., Dhana Sree Devi, K., Rao, K. et al. Advancements in psoriasis classification using custom transfer learning algorithms. Sci Rep 16, 7007 (2026). https://doi.org/10.1038/s41598-026-38197-0

الكلمات المفتاحية: الصدفية, تصوير الجلد, التعلم العميق, الذكاء الاصطناعي الطبي, تصنيف الأمراض