إزالة الشعر والشوائب في صور الفحص الجلدي باستخدام التعلم العميق لتعزيز كشف سرطان الجلد

صور جلدية أوضح لإنقاذ الأرواح

يمكن أن يعني اكتشاف سرطانات الجلد الخطيرة مبكراً الفرق بين إجراء خارجي بسيط ومرض يهدد الحياة. يعتمد الأطباء بشكل متزايد على صور الجلد القريبة، المسماة صور ديرموسكوبي، لرصد أنماط الألوان والحدود الدقيقة في الشامات. لكن في الواقع تكون هذه الصور غالباً مليئة بالشعر، ووهج الأضواء، والظلال. تُظهر هذه الدراسة كيف يمكن لنظام ذكاء اصطناعي حديث أن "ينظف" تلك الصور تلقائياً، مزيلاً الفوضى البصرية مع الحفاظ على التفاصيل الدقيقة التي يحتاجها الأطباء وبرامج التشخيص لاكتشاف الميلانوما مبكراً.

مشكلة الصور الجلدية المبعثرة

على الرغم من أن الميلانوما أقل شيوعاً من أنواع سرطان الجلد الأخرى، إلا أنها أكثر فتكاً بكثير، لذا يعد التشخيص المبكر والدقيق أمراً حاسماً. تتيح الديرموسكوبيا للأطباء رؤية تراكيب تحت سطح الجلد، لكن الصور نادراً ما تكون نقية. الشعر الذي يعبر مجال الرؤية، والإضاءة غير المتساوية، وانعكاسات الجلد أو عدسة الكاميرا يمكن أن تُطمس حدود الآفة وتخفي أنماط الصبغة. تعتمد طرق التنظيف التقليدية على قواعد ومرشحات مصممة يدوياً، وغالباً ما تعمل فقط مع أنواع محددة من الشعر أو الإضاءة وقد تمحو أجزاءً من الآفة نفسها عن غير قصد. وفي الوقت نفسه، تفترض العديد من أنظمة مساعدة تشخيص سرطان الجلد صمتاً أن الصور المدخلة نظيفة بالفعل، وهو أمر نادراً ما يكون صحيحاً في العيادات المزدحمة.

تعليم الشبكة ما الذي تزيله وما الذي تحافظ عليه

عالج الباحثون هذه المشكلة من خلال تدريب نموذج تعلم عميق يعرف باسم U‑Net لفصل الشوائب غير المرغوب فيها عن الآفة الجلدية الحقيقية على مستوى البكسل. استخدموا مجموعتين كبيرتين ومتوفرتين علناً من صور الشامات والبقع الجلدية، تغطيان معاً أكثر من 20,000 صورة ديرموسكوبي لأَمراض حميدة وخبيثة. تمت معالجة كل صورة بعناية مسبقاً: تم توحيد الألوان حتى تصبح الصور الملتقطة بكاميرات أو إضاءات مختلفة أكثر قابلية للمقارنة، وتم توسيع مجموعة البيانات بصور معكوسة، ومُدوَّرة، ومعدلة الألوان قليلاً لمحاكاة التنوع المرصود في الممارسات الحقيقية.

بناء "حقيقة مرجعية" دقيقة للشوائب

كانت خطوة أساسية هي إخبار الشبكة بالضبط أي البكسلات تخص الشعر أو الشوائب الأخرى وأيها تنتمي إلى الآفة أو الجلد المحيط. رسم خبراء الأمراض الجلدية أقنعة مفصلة يدوياً على صور تمثيلية، متتبعين الشعر الرقيق، وعلامات المسطرة، وبقع الوهج، والظلال مع تجنب هياكل الآفة المهمة. ثم استُخدمت أدوات معالجة الصور الكلاسيكية لتوليد أقنعة أولية لعدد أكبر من الصور، راجعها الخبراء وصححوها. أُعيد تغيير حجم كل الصور والأقنعة إلى تنسيق معياري حتى تستطيع الشبكة تعلم أنماط متسقة. أثناء التدريب، كافأ دالة خسارة مصممة النموذج على كل من تحديد الشوائب بدقة وتجنب الإضرار بالصدفة بتفاصيل الآفة، خصوصاً الهياكل الرقيقة أو الصغيرة جداً.

صور أوضح وكشف أفضل للسرطان

بمجرد التدريب، اختُبر النظام على صور لم تُر سابقاً. تحسنت مقاييس جودة الصورة بشكل ملحوظ: بدت الصور المُنظفة أكثر شبهًا بالصور المرجعية المثالية، وحُفظت تراكيبها بشكل أفضل. كما تعلمت الشبكة تمييز الشعر والشوائب الأخرى بدقة عالية، حتى عندما كانت كثيفة أو غير منتظمة. وللتحقق من الأثر السريري، أدخل المؤلفون كل من الصور الأصلية والمُنظفة إلى نظام ذكاء اصطناعي قائم لكشف الميلانوما. مع المدخلات المُنظفة، ارتفعت دقة المُصنّف من نحو 84% إلى حوالي 90–92%، وتحسّن مقياس توازن الأداء الرئيسي (مقياس F1) بنحو 10 نقاط مئوية تقريباً. كما زادت ثقة النموذج في قراراته، خاصة في الحالات الصعبة التي كانت الشوائب تُخفي فيها حدود الآفة سابقاً.

ماذا يعني هذا لفحوصات الجلد المستقبلية

تُظهر هذه الدراسة أن إزالة الشعر والشوائب البصرية ليست مجرد تحرير تجميلي، بل خطوة أولى حاسمة لتشخيص سرطان الجلد بمساعدة الحاسوب بشكل موثوق. من خلال تضمين شبكة لإزالة الشوائب أمام المصنفات القائمة، يمكن للعيادات وخدمات الطب عن بُعد الحصول على صور ديرموسكوبي أوضح وأكثر موحدة في الوقت الفعلي، دون إضافة عبء عمل على الأطباء. لا يزال النهج بحاجة إلى اختبار على ألوان بشرة وكاميرات وإعدادات عيادة أكثر تنوعاً، لكنه يقدم مساراً عمليا نحو فحص ميلانوما بمساعدة الذكاء الاصطناعي أكثر موثوقية، وفي النهاية علاج مبكر أكثر للمرضى.

الاستشهاد: Hammouda, N.G., Shalaby, M., Alfilh, R.H.C. et al. Hair and artifact removal in dermoscopic images using deep learning for enhanced skin cancer detection. Sci Rep 16, 14452 (2026). https://doi.org/10.1038/s41598-026-44545-x

الكلمات المفتاحية: الميلانوما, التحسس الجلدي (ديرموسكوبي), التعلم العميق, معالجة الصور المسبقة, كشف سرطان الجلد