Soft-Attention Improves Skin Cancer Classification Performance
تُظهر هذه الورقة أن دمج آلية الانتباه الناعم (Soft-Attention) في بنيات الشبكات العصبية العميقة (VGG، وResNet، وInceptionResNetv2، وDenseNet) يحسن بشكل كبير أداء تصنيف سرطان الجلد على مجموعتي بيانات HAM10000 وISIC-2017 من خلال تعزيز التركيز على الميزات وتثبيط الضجيج.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول العثور على إبرة صغيرة محددة داخل كومة قش ضخمة وفوضوية. لكن هذه ليست مجرد كومة قش عادية؛ بل هي كومة مكونة من آلاف الخيوط الملونة المختلفة، والمتشابكة مع بقايا قش عشوائية، والإبرة التي تبحث عنها تكاد تكون من نفس لون القش تماماً. هذه هي التحديات اليومية التي تواجهها الحواسيب التي تحاول تشخيص سرطان الجلد. يتم تزويد هذه الحواسيب بصور عالية الدقّة للجلد، ولكن هذه الصور غالباً ما تكون مزدحمة بـ "الضجيج" — مثل الشعر، أو الأوردة، أو الظلال التي لا علاقة لها بالمرض. في عالم الذكاء الاصطناعي، تُعد "الشبكة العصبية" بمثابة طالب ذكي جداً يتعلم من خلال النظر إلى ملايين الأمثلة. ومع ذلك، بدون مساعدة، غالباً ما يتشتت انتباه هذا الطالب بسبب الخلفية الفوضوية، فيركز على الشعر بدلاً من البقعة المشبوهة. ولحل هذه المشكلة، يستخدم العلماء أداة تسمى "الانتباه" (Attention)، والتي تعمل مثل كشاف ضوئي ذهني، تخبر الكمبيوتر: "مهلاً، تجاهل الشعر؛ وانظر هنا تماماً إلى هذه البقعة". يستكشف هذا البحث نسخة محددة ولطيفة من هذا الكشاف الضوئي تسمى "الانتباه الناعم" (Soft-Attention) ليرى ما إذا كان بإمكانه مساعدة الحواسيب لتصبح أطباء أفضل.
أراد الباحثون وراء هذه الدراسة معرفة ما إذا كان إضافة كشاف "الانتباه الناعم" هذا إلى أنواع مختلفة من نماذج الرؤية الحاسوبية سيساعدها حقاً في رصد سرطان الجلد بدقة أكبر. لقد اختبروا فكرتهم على مجموعتين كبيرتين من صور الجلد، تُعرفان باسم HAM10000 و ISIC-2017. فكر في مجموعات البيانات هذه كأنها مكتبات ضخمة من صور الجلد، بعضها يظهر شامات حميدة والبعض الآخر يظهر سرطانات خطيرة. أخذ الفريق خمسة نماذج مختلفة من "الطلاب" (بنى معمارية شهيرة مثل VGG و ResNet و Inception ResNet) ومنحهم ترقية خاصة: وحدة "الانتباه الناعم". تعمل هذه الوحدة مثل مرشح ذكي؛ فعندما ينظر الكمبيوتر إلى صورة، تقوم وحدة "الانتباه الناعم" بإنشاء خريطة لـ "الأهمية". فهي تضرب الأجزاء المهمة من الصورة (الآفة الجلدية الفعلية) في رقم مرتفع، والأجزاء غير المهمة (مثل الشعر أو الأوردة) في رقم قريب من الصفر. وهذا يؤدي فعلياً إلى خفت الضجيج وتوضيح الإشارة، مما يسمح للكمبيوتر بالتركيز طاقته على ما يهم حقاً.
كانت النتائج واعدة للغاية. فعندما اختبروا هذه النماذج المطورة على مجموعة بيانات HAM10000، سجل النموذج الذي حصل على ترقية "الانتباه الناعم" (تحديداً نسخة Inception ResNet v2) دقة بلغت 93.7%. كانت هذه قفزة كبيرة، حيث تفوق على أفضل خط أساس سابق بنسبة 4.7%. وبعبارة أبسط، ارتكب الكمبيوتر أخطاء أقل عندما كان لديه الكشاف الضوئي. وفي مجموعة البيانات الثانية، ISIC-2017، حسن النموذج المطور قدرته على رصد كل حالة سرطان (الحساسية) بنسبة 3.8% مقارنة بخط الأساس، ليصل إلى درجة 91.6%. كما نظر الباحثون في أين كان الكمبيوتر ينظر؛ وقارنوا خرائط "الانتباه الناعم" الخاصة بهم بطريقة أخرى شائعة تسمى Grad-CAM. ووجدوا أنه بينما قد يتشتت Grad-CAM أحياناً ويسلط الضوء على المناطق الخاطئة أو يوزع تركيزه بشكل مفرط، فإن خرائط "الانتباه الناعم" ظلت مركزة بدقة على الآفة الجلدية الفعلية، متجاهلة الضجيج المحيط بها.
لا يكتفي البحث بمجرد الادعاء بأن هذا يعمل؛ بل قام بقياس ذلك بدقة. فمن خلال اختبار طرق مختلفة لتقسيم البيانات (مثل التدريب على 85% من الصور واختبار الباقي)، أكدوا أن إعدادهم كان متيناً. ووجدوا أن استخدام 85% من البيانات للتدريب حقق أفضل النتائج، متفوقاً على النماذج التي تم تدريبها على أجزاء أصغر. كما قارنوا نهج "الانتباه الناعم" الخاص بهم مع نماذج أخرى متطورة، ووجدوا أن طريقتهم تفوقت باستمرار في الدقة والحساسية. فعلى سبيل المثال، في مجموعة بيانات ISIC-2017، كان نموذجهم أكثر دقة بنسبة 3.6% وأفضل في الحساسية بنسبة 3.8% من نموذج خط أساس رائد. ويشير المؤلفون إلى أن كون النموذج حساساً هو أمر بالغ الأهمية لأن الخطورة تكمن في تفويت تشخيص السرطان أكثر من الخطأ في تصنيف بقعة حميدة للمراجعة مرة أخرى.
في النهاية، يشير هذا البحث إلى أن منح الشبكات العصبية آلية "الانتباه الناعم" هو وسيلة قوية للتعامل مع الواقع الفوضوي للصور الطبية. فهو لا يجعل الكمبيوتر أكثر ذكاءً فحسب، بل يجعل عملية اتخاذ القرار أكثر شفافية. ولأن وحدة "الانتباه الناعم" تنشئ خريطة بصرية لمكان نظر الكمبيوتر، يمكن للأطباء في الواقع رؤية الأجزاء من الصورة التي يثق بها الذكاء الاصطناعي. وهذا يمكن أن يساعد في بناء الثقة بين الأطباء البشر وأدوات الذكاء الاصطناعي. ويخلص المؤلفون إلى أن هذا النهج فعال لتصنيف سرطان الجلد عالي الدقة، ويمكن بناؤه في نهاية المطاف في أنظمة فحص الجلد (dermoscopy) لمساعدة أطباء الجلد، مما يساعدهم على رصد الإبرة في كومة القش بثقة أكبر.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.