تحليل نماذج الشبكات العصبية الالتفافية الهجينة المحسّنة بخوارزميات ميتاهيرستية لاكتشاف الميلانوما

لماذا تهم فحوصات الجلد الأكثر ذكاءً

الميلانوما شكل خطير من سرطانات الجلد يمكن أن ينتشر بسرعة إذا لم يُكتشف مبكراً. يستخدم أطباء الجلد الآن الكاميرات والبرمجيات إلى جانب الفحص بالعين المجردة، لكن تصميم أنظمة ذكاء اصطناعي موثوقة لمعالجة هذه الصور لا يزال يمثل تحدياً. تستكشف هذه الدراسة نهجاً جديداً لبناء مثل هذه الأنظمة عبر السماح لاستراتيجيات بحث مستوحاة من الطبيعة بتصميم وضبط نموذج تعلم عميق تلقائياً، بهدف الكشف عن المزيد من حالات الميلانوما مع السيطرة على الإنذارات الكاذبة.

تعليم الحواسيب رؤية الجلد المقلق

يركز الباحثون على صور ديرموسكوبي—صور مقرّبة ومكبّرة لبقع الجلد تُؤخذ بجهاز خاص. تحتوي هذه الصور على أنماط دقيقة في اللون والملمس والشكل قد تشير إلى وجود سرطان. تُعد الشبكات العصبية الالتفافية (CNNs) نوعاً من الذكاء الاصطناعي ماهراً بشكل خاص في تمييز الأنماط البصرية من هذا النوع، لكنها حساسة للعديد من خيارات التصميم، مثل عدد الطبقات، حجم المرشحات، ومعدل التعلم. تقليدياً، يخمن الخبراء أو يضبطون هذه الإعدادات يدوياً، أو يعاد استخدام تصاميم من مهام غير مرتبطة، وهذا قد يحدّ من قدرة النماذج على التكيّف مع صور سرطان الجلد.

ترك التصميم لاستراتيجيات بحث مستوحاة من الطبيعة

بدلاً من تثبيت تصميم الشبكة الالتفافية مقدماً، يحول المؤلفون كامل التصميم إلى مسألة بحث. يجمعون الشبكة مع ست خوارزميات ميتاهيرستية—استراتيجيات بحث مستوحاة من سلوكيات طبيعية مثل طيور الوقواق التي تضع بيضها في أعشاش أخرى، أو الذئاب التي تصطاد في جماعات، أو أسراب الطيور التي تتحرك بتناسق. في هذا الإطار، تتعامل كل ميتاهيرستيك مع تصميم كامل للشبكة، بما في ذلك إعدادات التدريب الأساسية، كحل مرشح. ثم تولّد العديد من هذه الحلول، تختبر كل واحد منها عبر تدريب الشبكة والتحقق من أدائها على صور الجلد، وتوجّه تدريجياً السكان نحو تصاميم أفضل بناءً على دقتها في التمييز بين الميلانوما والآفات الحميدة.

تنظيف الصور وإثراؤها أولاً

قبل أي تعلم، تحتاج الصور نفسها إلى تجهيز دقيق. يستخدم الفريق مجموعة HAM10000 المعتمدة على نطاق واسع، التي تحتوي على أكثر من أحد عشر ألف صورة ديرموسكوبي لتسع فئات من آفات الجلد، بما في ذلك الميلانوما. يعيدون تغيير حجم جميع الصور إلى حجم معياري، ويعدّلون فروق السطوع، ويزيلون الشوائب المشتتة مثل الشعر والعلامات التي قد تخلط النموذج. لمساعدة الشبكة على التعامل مع التنوع الموجود في العيادات الحقيقية، ينشئون نسخاً معدّلة قليلاً من كل صورة ميلانوما عن طريق قلب، تدوير، تكبير، قص، وتعديل السطوع. يعمل هذا أيضاً على موازنة عدد أمثلة الميلانوما وغير الميلانوما، مما يضمن ألا يتعلم النموذج ببساطة تفضيل الفئة الأكثر شيوعاً.

اختبار ست استراتيجيات بحث

في داخل مجموعة البيانات المنقّاة والموسعة هذه، تبحث الخوارزميات الست—بحث الوقواق، خوارزمية اليراعة، خوارزمية تحسين الحيتان، تحسين سرب الجسيمات، مُحسّن الذئب الرمادي، وخوارزمية بحث الغربان—كلٌ عن تكوينات قوية للشبكات الالتفافية. تستكشف خيارات مثل عدد طبقات الالتفاف، عدد المرشحات في كل طبقة، ما إذا كان يُطبّق تقنية تثبيت تسمى تطبيع الدُفعات (batch normalization)، حجم كل دفعة تدريب، ومعدل التعلم الذي يسيطر على سرعة تحديث النموذج لإعداداته الداخلية. لكل تصميم مقترح، تُبنى شبكة، تُدرّب، وتُقيّم على مجموعة تحقق منفصلة، وتُرسل دقتها إلى خوارزمية البحث كدرجة لتوجيه جولة المرشحين التالية. تتكرر هذه الدورة عبر مخططات تجريبية متعددة تختلف في أحجام السكان وعدد التكرارات لكل مُحسّن.

أي الاستراتيجيات آتت أفضل النتائج

جميع الطرق الست أنتجت شبكات تفوّقت على شبكة أساس مُصممة ومضبوطة يدوياً بعناية. وصلت دقة الشبكة الأساسية إلى نحو 84 بالمئة كحد أقصى، في حين وصلت أفضل النماذج الموجهة بالميتاهيرستيك إلى حوالي 91 بالمئة دقة. تميّزت خوارزميتان بشكل خاص. قدّم بحث الوقواق أعلى دقة إجمالية وحساسية—ما يعني أنه كان جيداً بشكل خاص في اكتشاف الميلانوما وتقليل خطر تفويت الحالات السرطانية. قدّم مُحسّن الذئب الرمادي دقة قوية مماثلة لكنه حقق أفضل قدرة على التعرف الصحيح على الآفات الحميدة، مما يقلل الإنذارات غير الضرورية. أداء طرق أخرى، مثل خوارزمية اليراعة، كان تنافسياً لكن مع تقلبات أكبر، بينما ميّلت خوارزميات سرب الجسيمات وبحث الغربان إلى الاستقرار مبكراً في مناطق أقل مثالية من فضاء التصميم.

التأمل في «منطق» النموذج

بما أن الذكاء الاصطناعي الطبي يجب أن يكتسب ثقة الأطباء، يفحص المؤلفون أيضاً كيف تتخذ الشبكات المحسّنة قراراتها. باستخدام تقنية تصوير تُدعى Grad-CAM++، يولّدون خرائط حرارية ملونة فوق الصور المدخلة تُظهر أين «ينظر» النموذج عندما يصنّف الآفة كخبيثة أو حميدة. في الحالات الناجحة، تركز هذه الخرائط على البقعة الفعلية بدلاً من الجلد المحيط أو الشوائب المتبقية، وتبرز تراكيب غير منتظمة تتوافق مع ما يعتبره أخصائيو الجلد مثيراً للشك. عندما يخطئ النظام، غالباً ما يواجه صعوبة مع آفات مرئية غامضة حتى بالنسبة للأخصائيين، مثل بقع حميدة ذات ملمس خشن أو ميلانومات مبكرة بتباين طفيف جداً.

ماذا يعني هذا لفحوصات الجلد المستقبلية

لغير المتخصص، الرسالة الرئيسية هي أن الدراسة تُظهر كيف أن السماح لاستراتيجيات بحث مستوحاة من الطبيعة بتصميم البنية الداخلية لنموذج تعلم عميق يمكن أن يجعل اكتشاف الميلانوما الآلي أكثر دقة وموثوقية من الضبط اليدوي الخبير وحده. من خلال المقارنة المنهجية لعدة مثل هذه الاستراتيجيات على نفس مجموعة البيانات العامة الكبيرة، يحدد المؤلفون بحث الوقواق ومُحسّن الذئب الرمادي كأدوات واعدة بشكل خاص لبناء أنظمة دعم قرار سريري مستقبلية. وبينما لا تهدف هذه الأنظمة إلى استبدال أطباء الجلد، فقد تصبح قراءً ثانويين ذوي قيمة، يساعدون في ضمان ألا تُغفل الآفات الخطيرة وأن لا تتسبب البقع الحميدة في إثارة قلق وإجراءات غير ضرورية.

الاستشهاد: Hermosilla, P., Soto, R., Monfroy, E. et al. Analysis of hybrid CNN models optimized with metaheuristic algorithms for melanoma detection. Sci Rep 16, 13075 (2026). https://doi.org/10.1038/s41598-026-42711-9

الكلمات المفتاحية: اكتشاف الميلانوما, تصوير ديرموسكوبي, الشبكات العصبية الالتفافية, التحسين الميتاهيرستيك, الذكاء الاصطناعي الطبي