تعلم تبايني قائم على فرط-الرسم البياني ودمج الانتباه لاكتشاف سرطان الجلد

لماذا تكتسب فحوصات الجلد الأذكى أهمية

سرطان الجلد هو من أكثر أنواع السرطان شيوعًا، والميلانوما، رغم ندرتها نسبيًا، تكون قاتلة بشكل خاص إذا اكتُشفت متأخرًا. يمكن للأطباء استخدام صور مكبّرة للشامات والبقع، تُعرف بالصور الديرموسكوبيّة، للبحث عن مؤشرات مرضية، لكن كثيرًا من الآفات تبدو متشابهة بشكل يربك النظر. بعض الأورام الخبيثة نادرة في الواقع وبالتالي نادرة في بيانات التدريب لأنظمة الذكاء الاصطناعي. تعرض هذه الورقة إطار عمل جديد في رؤية الحاسوب يُسمى C2G‑HFMTA مصممًا لاكتشاف سرطانات الجلد بشكل أكثر موثوقية، خاصة الحالات النادرة ولكن الحرجة، مع تقديم تفسيرات يمكن للطبيب فهمها.

موازنة البقع الجلدية الشائعة والنادرة

عقبة رئيسية في فحص سرطان الجلد الآلي هي اختلال التوازن: بعض الآفات الحميدة تظهر آلاف المرات في مجموعات البيانات، بينما قد تظهر السرطانات الخطيرة أو الآفات غير الاعتيادية فقط عشرات المرات. تميل نماذج التعلم العميق التقليدية إلى التركيز على الأغلبية وتجاهل الفئات النادرة، وهو عكس ما يريده الأطباء بالضبط. يعالج المؤلفون هذا الأمر أولًا بإعادة تنظيم مجموعة بيانات الديرموسكوبي HAM10000 الكبيرة، التي تحتوي على أكثر من عشرة آلاف صورة عبر سبعة أنواع من الآفات الجلدية. استراتيجيتهم، المسماة التقسيم العنقودي القائم على الفئة، تجمع الصور في ثلاث مجموعات—شائعة جدًا، شائعة معتدلة، ونادرة—وتضمن أنه أثناء التدريب يولي الخوارزم اهتمامًا منظّمًا لكل مجموعة بدلًا من أن يطغى عليه حالات الأغلبية.

تعليم النظام كيف ترتبط الحالات

بدلًا من مجرد إدخال الصور إلى شبكة عصبية وطلب حفظ الأنماط، يبني الإطار خريطة مجردة للعلاقات بين الصور. باستخدام مستخرج ميزات قوي (DenseNet201)، تُحوّل كل صورة آفة إلى بصمة رقمية. تصبح هذه البصمات عقدًا في رسم بياني حيث تبيّن الاتصالات مدى تشابه آفتين. يذهب المؤلفون أبعد من ذلك ويستخدمون «فرط-الرسم البياني» الذي يمكنه ربط عدة صور معًا دفعة واحدة، ما يلتقط أنماطًا جماعية أغنى. على قمة هذا الهيكل، يطبقون مخطط تعلم تبايني مُشرف: تُقرب الصور ذات التشخيص نفسه من بعضها في هذا الفضاء المجرد، بينما تُبعد الصور ذات التشخيصات المختلفة. والأهم أن هذه العملية تُوجَّه مباشرة بتسميات الآفات الحقيقية، لا بتشويهات قوية في الصور، بحيث تُحفظ الألوان الدقيقة والملمس التي تهم للتشخيص.

جعل المعنى يوجّه الانتباه

المكوّن الثاني الرئيسي هو وحدة دمج قائمة على الانتباه تدمج ما تعلّمه الرسم البياني مع التفاصيل البصرية الخام من الصور. تمثل التمثيلات المشتقة من الرسم البياني، التي تشفّر كيف ترتبط كل آفة بالآفات الأخرى عبر مجموعة البيانات، بمثابة «سؤال» عالي المستوى حول هوية الفئة. وتعمل ميزات مستوى البكسل من الصور الأصلية كـ«دليل». داخل كتلة الانتباه متعددة الوسائط، يتفاعل هذان المساراَن: الإشارات الدلالية من الرسم البياني توجه النموذج للتركيز على مناطق ونماذج في الصورة ذات أهمية أكبر لتمييز الآفات التي يصعب التفريق بينها. تساعد الاتصالات الباقية والمعالجة متعددة المقاييس في الحفاظ على التفاصيل الدقيقة، مثل التغيرات الطفيفة في الصباغ، وعدم انتظام الحواف، أو الأوعية الدموية الصغيرة، التي كثيرًا ما تفرّق بين آفة خطرة وآفة حميدة.

مدى أداء النموذج

قيّم الباحثون إطار عملهم على مجموعة بيانات HAM10000 باستخدام بروتوكولات تجريبية دقيقة، بما في ذلك التحقق المتقاطع بخمس طيات ومقارنات واسعة ضد أكثر من 30 نموذجًا شهيرًا قائمًا على الالتفافات والمحولات. بلغت دقّتهم الإجمالية نحو 93% ومقاربة في قيمة F1، متجاوزةً جميع النماذج الأساسية بفارق كبير. ومن المهم أن التحسّنات كانت الأقوى لأنواع الآفات النادرة التي تكافح معظم الأنظمة للتعامل معها. أظهرت الاختبارات الإضافية أن كل مكوّن—التجميع القائم على الفئة، التضمين التبايني بالفرط-الرسم البياني، ودمج الانتباه—أضاف مساهمة قابلة للقياس في الأداء. كشفت الأدوات البصرية مثل t‑SNE وUMAP وخرائط Grad‑CAM أن الطريقة الجديدة تُنتج عناقيد أوضح لأنواع الآفات وتركّز الانتباه على مناطق ذات معنى طبي، مثل الحواف غير المنتظمة في الميلانوما أو المناطق الكيراتينية الكثيفة في بعض الآفات المسبقة للسرطان.

ما الذي يعنيه هذا لفحوصات الجلد المستقبلية

بعبارات بسيطة، تقدم هذه الدراسة إطارًا للذكاء الاصطناعي أكثر عدلاً وقدرة على التمييز عند فحص الآفات الجلدية. من خلال موازنة الحالات الشائعة والنادرة صراحةً، ورسم العلاقات بين الصور، والسماح لتلك العلاقات بتوجيه مكان «نظر» النموذج في كل صورة، يحسّن C2G‑HFMTA التشخيص الحاسوبي لسرطان الجلد بشكل ملموس. ومع أن النظام لا يزال بحاجة إلى التحقق منه على مجموعات سريرية أكبر وأكثر تنوعًا، فإنّه يشير إلى أدوات مستقبلية قد تساعد أطباء الجلد—وحتى تطبيقات الفحص المنزلي—على اكتشاف سرطانات الجلد الخطرة مبكرًا وبثقة أكبر، دون إغفال الحالات النادرة التي تكتسب أهمية قصوى.

الاستشهاد: Banerjee, T., Chhabra, P., Kumar, M. et al. Hypergraph-based contrastive embedding and attention fusion for detection of skin cancer. Sci Rep 16, 12808 (2026). https://doi.org/10.1038/s41598-026-43351-9

الكلمات المفتاحية: اكتشاف سرطان الجلد, الذكاء الاصطناعي في الديرموسكوبي, التعلّم التبايني, اختلال توازن الفئات, تحليل الصور الطبية