تحسين تصنيف سرطان الجلد للفئات الأقل تمثيلاً باستخدام خط أنابيب GAN شرطي ومجموعة CNN-ViT

لماذا تكتسب فحوصات الجلد الأكثر ذكاءً أهمية

يعد سرطان الجلد واحدًا من أكثر السرطانات شيوعًا في العالم، ويمكن أن يعني اكتشافه مبكرًا الفرق بين إجراء خارجي بسيط وخطر يهدد الحياة. يعتمد أطباء الأمراض الجلدية بدرجة كبيرة على العلامات البصرية في صور الجلد المكبّرة، لكن حتى الخبراء يواجهون صعوبة عندما تكون بعض أنواع السرطان نادرة أو حين تكون الصور مشوشة بعناصر مشتتة مثل الشعر. تقدم هذه الدراسة نظام ذكاء اصطناعي مصممًا للتعامل مع تلك الحالات المعقدة والممثلة تمثيلًا ناقصًا بشكل أكثر عدلاً، مع هدف دعم فحوصات سرطان الجلد بشكل أكثر موثوقية للجميع.

بيانات غير متساوية وسرطانات يصعب تمييزها

تفرض صور الجلد عوائق متعددة على الحواسيب والأطباء على حد سواء. تظهر العديد من الصور شعرًا وظلالًا وعيوبًا أخرى تحجب الآفة نفسها. بعض سرطانات الجلد شائعة للغاية، بينما تكون أخرى نادرة، لذا تحتوي مجموعات البيانات العامة الرئيسية على آلاف الأمثلة للشامات الحميدة لكن بضع مئات فقط من صور السرطانات الأقل تكرارًا والتي تظل ذات أهمية سريرية. تميل النماذج التقليدية للتعلم العميق التي تُدرّب على مثل هذه المجموعات غير المتوازنة إلى أنْ تصبح جيدة جدًا في التعرف على فئات الأغلبية بينما تفشل بصمت في الفئات النادرة—وهي الحالات التي ستكون المساعدة الآلية فيها الأكثر قيمة. بالإضافة إلى ذلك، غالبًا ما تركز شبكات الصور التقليدية على رقع صغيرة وقد تفوت دلائل عامة مثل التناظر العام أو الحواف غير المنتظمة ذات الأهمية للتشخيص.

استثمار أكبر في الحالات النادرة

لمعالجة عدم التوازن، يبني المؤلفون أولًا مولد صور ذكي يتعلم من بيانات المرضى الحقيقية ثم يصنع أمثلة جديدة ذات مظهر واقعي لأنواع الآفات النادرة. بدلاً من مجرد قلب أو تدوير الصور الموجودة، يستخدم نظامهم—وهو شبكة تنافسية مولدة شرطية—"خرائط الانتباه" المستمدة من مصنّف قياسي لمعرفة أي أجزاء من كل آفة أثّرت على القرارات السابقة أكثر. تُبرز هذه الخرائط مناطق ذات معنى طبي. ثم يُنشئ المولد صورًا جديدة تحافظ على البُنى الحرجة داخل تلك المناطق بينما يضيف تغييرات مسيطرة في اللون والملمس والشكل. فعليًا، يتعلم الذكاء الاصطناعي تخيل نسخ متعددة معقولة لكل سرطان نادر، ما يثري مجموعة التدريب دون نسخ الصور بشكل حرفي.

طريقتان للرؤية: تفاصيل محلية وأنماط كلية

بعد إعادة موازنة مجموعة البيانات بهذه الصور الاصطناعية المستهدفة، يتولى وحدة ذكاء اصطناعي ثانية مهمة التشخيص الفعلية. هنا، يجمع الباحثون بين نوعين مكملين من النماذج. تتفوق الشبكة العصبية التفافية (ResNet50V2) في التقاط الإشارات المحلية الدقيقة—خطوط صبغية رفيعة، وملمس دقيق، وحدّة الحواف. إلى جانبها، يعالج نموذج محوّل الرؤية (DeiT) كل صورة كشبكة من الرقع ويتعلم كيف ترتبط المناطق البعيدة ببعضها، ملتقطًا خصائص الآفة ككل مثل التناظر والامتداد وشكل الحدود. بدلًا من الانتظار حتى النهاية لدمج آرائهما، يقوم الفريق بدمج تمثيلاتهما الداخلية عبر وحدة دمج قائمة على الانتباه تسمح للسياق العام بأن يؤكد أو يخفض وزن ميزات محلية محددة ديناميكيًا.

اختبار النظام

تم تقييم خط الأنابيب على مجموعة HAM10000، وهي مجموعة مستخدمة على نطاق واسع تضم أكثر من عشرة آلاف صورة درموسكوبي تمتد عبر سبعة أنواع من الآفات، من البقع الصبغية الحميدة إلى الورم الميلانيني والعديد من سرطانات الجلد الأقل شيوعًا. بعد إزالة الشعر وتقسيم البيانات بعناية إلى مجموعات تدريب واختبار، تُخلَط الصور الصناعية الجديدة مع النسخ الأصلية المنقّاة لتكوين مجموعة تدريب متوازنة. تُقيَّم أداء النموذج المركب باستخدام المقاييس لكل فئة مثل الدقة والاسترجاع ودرجات F1، إضافة إلى منحنيات المستقبِل التشغيلي ومنحنيات الدقة-الاستدعاء. والأهم من ذلك، يركز المؤلفون على ما إذا كانت الفئات النادرة مثل الورم الليفي الجلدي، الآفات الوعائية، سرطان الخلايا القاعدية، والتقرّن الشمسي تُعترف بها بثبات مثل الأنواع الوفيرة، بدلاً من الاعتماد على رقم دقة إجمالي واحد قد يخفي نقاط ضعف.

إجابات أكثر توازنًا من الذكاء الاصطناعي

قدّم النظام الناتج دقة عالية والأهم من ذلك توازنًا جيدًا عبر جميع الفئات السبعة. حقق أداءً يقارب الكمال لعدة سرطانات أقلية ودرجات تنافسية للأنواع المتبقية، مع إظهار عدم يقين إحصائي منخفض عند اختباره عبر إعادة أخذ عينات bootstrap واسعة النطاق. وهذا يشير إلى أن المكاسب ليست مجرد نتيجة للمبالغة في العينات بل ناتجة عن التآزر بين توليد الصور الموجه بالانتباه والمصنّف ذي الرؤيتين. للمتلقي العام، الرسالة الأساسية هي أن تصميم ذكاء اصطناعي أذكى—وليس مجرد نماذج أكبر—يمكن أن يساعد في ضمان ألا تتجاهل أدوات فحص سرطان الجلد الآلية الحالات النادرة لكنها خطيرة. وبينما لا يزال هناك حاجة لاختبارات أوسع على مجموعات بيانات متعددة المراكز قبل التطبيق السريري، يشير العمل إلى مساعدين ذكاء اصطناعي يعاملون كل آفة جلدية، شائعة كانت أم نادرة، بنفس درجة العناية.

الاستشهاد: Hussain, S.R., Saritha, S., Chevuri, A. et al. Enhanced skin cancer classification for minority classes using Conditional GAN pipeline and CNN-ViT ensemble. Sci Rep 16, 13114 (2026). https://doi.org/10.1038/s41598-026-43339-5

الكلمات المفتاحية: كشف سرطان الجلد, الذكاء الاصطناعي في الصور الطبية, عدم توازن الفئات, صور طبية صناعية, محولات الرؤية