DermaScanAI: إطار تعلم عميق هجيني قابل للتفسير لتصنيف آلي لآفات الجلد باستخدام انتباه مزدوج ودمج بيانات وصفية

لماذا تهم فحوصات الشامات الأذكى

يُعد سرطان الجلد أحد أكثر أنواع السرطان شيوعًا، والكشف المبكر عنه قد ينقذ الأرواح. ومع ذلك، ينتظر كثير من الناس شهورًا أو سنوات قبل فحص شامة مشبوهة، وحتى الأطباء ذوي الخبرة قد يجدون صعوبة في تقييم الحالات المعقدة. تُقدّم هذه الدراسة DermaScanAI، نظامًا حاسوبيًا مصمّمًا لمساعدة الأطباء على فرز البقع غير الضارة عن الخطرة من خلال فحص صور جلدية مفصّلة ومعلومات أساسية عن المريض، مع عرض واضح لما «انظر إليه» النظام للوصول إلى قراره.

تعليم الحواسيب قراءة صور الجلد

غالبًا ما يستخدم أطباء الجلد جهازًا محمولًا يُسمى المنظار الجلدي لالتقاط صور مقرّبة للشامات والبقع الأخرى. تكشف هذه الصور أنماطًا دقيقة من الألوان والملمس قد تشير إلى السرطان، لكنها مليئة أيضًا بالمشتتات مثل الشعر، والإضاءة غير المتساوية، واختلافات الكاميرا. يبدأ DermaScanAI بتنظيف الصور: يزيل الشعر رقميًا، ويُسَوّي السطوع والألوان، ويكبّر منطقة الآفة إلى حجم معياري. ثم يعزّز النظام البيانات عن طريق قلب الصور، وتدويرها، وتعديل الألوان بشكل طفيف حتى يرى الحاسوب العديد من التنوّعات الواقعية لكل آفة، مما يساعده على التعامل بشكل أفضل مع تنوّع العالم الحقيقي.

رؤية التفاصيل الدقيقة والصورة الأكبر معًا

ركزت العديد من الأدوات السابقة لمساعدة تشخيص سرطان الجلد إما على أنماط محلية صغيرة أو على الشكل العام فقط، مما قد يسبّب ارتباكًا عندما تبدو آفات مختلفة جزئيًا متشابهة. يجمع DermaScanAI نوعين من التعرف على الأنماط لتجنّب هذه المشكلة. أولًا، يلتقط شبكة تلافيفية حديثة، وهي نوع من محركات معالجة الصور، التفاصيل الدقيقة مثل الحواف، ونقاط اللون، والملمس على عدة مقاييس، من بقع دقيقة إلى مناطق أكبر. بالإضافة إلى ذلك، تساعد وحدات الانتباه الخاصة النظام على «تكبير الصوت» للقنوات اللونية والمناطق الصورية الأكثر معلوماتية، مع كبح المناطق الخلفية غير المفيدة.

إضافة السياق العام ودلائل المريض

بعد التركيز على مناطق الصورة الأكثر أهمية، يمرر DermaScanAI الميزات المكرّرة إلى وحدة محولة خفيفة الوزن. هذا الجزء من النموذج جيد في ربط أجزاء بعيدة من الصورة، فيستطيع ربط مركز الشامة بحدودها والجلد المحيط بها. في الوقت نفسه، يجلب النظام معلومات بسيطة عن المريض مثل العمر، والجنس، وموقع الآفة على الجسم. تعكس هذه الدلائل الممارسة السريرية الحقيقية، حيث قد يحمل وجود بقعة داكنة على ساق شخص شاب خطرًا مختلفًا عنه لظهور مشابه على ظهر شخص أكبر سنًا. من خلال دمج ميزات الصورة مع هذه التفاصيل الأساسية قبل اتخاذ القرار، يقلّد النموذج طريقة تفكير طبيب الجلد في السياق.

اتخاذ قرارات يمكن للأطباء فحصها

إحدى الحواجز الرئيسية لاستخدام الذكاء الاصطناعي في العيادات هي أن العديد من الأنظمة تبدو كالـ«صناديق السوداء». لمعالجة ذلك، يتضمن DermaScanAI وحدة قابلة للتفسير. باستخدام تقنية تسمى Grad-CAM++، ينتج خريطة حرارة تُبرز أجزاء الآفة التي أثرت أكثر في قراره؛ وطريقة أخرى، SHAP، تقدر مدى مساهمة كل جزء من المعلومات، بما في ذلك البيانات الوصفية للمريض، في دفع النتيجة نحو تشخيص معين. عندما تُغطى هذه خرائط الحرارة على الصور الأصلية وتُقارن مع مخططات الآفات المرسومة بواسطة الخبراء، تُظهر تداخلًا قويًا، مما يوحي بأن النظام يركّز على مناطق ذات معنى طبي بدلاً من ضوضاء عشوائية.

مدى أداء النظام

اختبر الباحثون DermaScanAI على مجموعة HAM10000، وهي مجموعة عامة كبيرة تحتوي على أكثر من 10,000 صورة منظار جلدي تغطي سبعة أنواع من آفات الجلد، بما في ذلك الميلانوما، والشامات الشائعة، وعدد من الحالات الحميدة. بعد التدريب والتحقق الدقيق عبر تقسيمات بيانات متعددة، بلغ دقّة النموذج الإجمالية نحو 94.8%، ومقياس F1 المتوسط الكلي نحو 92%، ومساحة تحت منحنى ROC بقيمة 0.962، ما يشير إلى قدرة قوية على تمييز أنواع الآفات. كما ظل دقيقًا إلى حدٍ معقول عند تدريبه على جزء صغير فقط من البيانات، وقارن بشكل مُرضٍ مع أنظمة رائدة أخرى مبنية على الشبكات التلافيفية أو المحولات فقط بينما استخدم موارد حوسبية أقل.

ماذا يعني هذا لفحوصات الجلد المستقبلية

بعبارة بسيطة، تُظهر هذه الدراسة أن نموذجًا حاسوبيًا مصممًا بعناية يمكنه فرز أنواع مختلفة من آفات الجلد بدقّة عالية، واستخدام معلومات بسيطة عن المريض لتنقيح حكمه، وإظهار الأماكن التي «ينظر» إليها بالجلد للأطباء. ليست DermaScanAI أداة تشخيص مستقلة بعد: فهي لا تزال بحاجة إلى اختبارات عبر العديد من المستشفيات والكاميرات ومجمّعات المرضى قبل أن تدعم قرارات سريرية حقيقية. لكنها تقدّم مخططًا واضحًا لمساعدات مستقبلية في سرطان الجلد تجمع بين الدقّة والشفافية، مما قد يساعد الأطباء على اكتشاف الآفات الخطرة مبكرًا بينما يمنح المرضى والممارسين ثقة أكبر في كيفية اتخاذ تلك القرارات.

الاستشهاد: Murali, P., Mazumder, D.H. DermaScanAI an explainable hybrid deep learning framework for automated skin lesion classification using dual attention and metadata fusion. Sci Rep 16, 15130 (2026). https://doi.org/10.1038/s41598-026-46011-0

الكلمات المفتاحية: سرطان الجلد, المنظار الجلدي, التعلم العميق, الذكاء الاصطناعي في التصوير الطبي, الذكاء الاصطناعي القابل للتفسير