Toward Reliable and Explainable Nail Disease Classification: Leveraging Adversarial Training and Grad-CAM Visualization

ملخص تقني: نحو تصنيف موثوق وقابل للتفسير لأمراض الأظافر

بيان المشكلة
غالباً ما يتم التغاضي عن أمراض أظافر الإنسان، والتي يمكن أن تشير إلى مشكلات صحية جهازية أوسع أو حالات مثل الميلانوما، حتى تصبح شديدة. يعد التشخيص الدقيق والمبكر أمراً بالغ الأهمية ولكنه يمثل تحدياً نظراً للاختلافات البصرية الدقيقة بين أنواع الأمراض وندرة أدوات التشخيص الآلية في الإعدادات السريرية، لا سيما في المناطق النامية. تعتمد طرق الكشف التقليدية بشكل كبير على الفحص اليدوي، والذي يمكن أن يكون ذاتياً وعرضة للخطأ. تعالج هذه الورقة الحاجة إلى نظام تعلم آلي مؤتمت، وموثوق، وقابل للتفسير لمساعدة أطباء الجلد في تصنيف أمراض الأظافر من الصور السريرية.

المنهجية
تستخدم الدراسة مجموعة بيانات متاحة للجمهور من موقع Kaggle تحتوي على 3,835 صورة للأظافر مصنفة إلى ست فئات: الميلانوما الميلانية الحظية (Acral Lentiginous Melanoma)، وتورم الأظافر (Onychogryphosis)، والأصابع الزرقاء (Blue Finger)، وتضخم النهايات (Clubbing)، والنقرات (Pitting)، والأظافر السليمة (Healthy Nail). تتبع المنهجية مساراً منظماً:

1. المعالجة المسبقة للبيانات: تم تغيير حجم الصور إلى 224×224 بكسل لضمان الاتساق، وتطبيعها، وتعزيزها لزيادة جودة الألوان وزيادة تنوع مجموعة البيانات. تم تقسيم البيانات إلى مجموعات تدريب (70%)، وتحقق (20%)، واختبار (10%).
2. بنية النموذج: تم تقييم أربع بنيات لشبكات عصبية تلافيفية (CNN) متطورة باستخدام التعلم بنقل المعرفة (Transfer Learning): InceptionV3، وDenseNet201، وEfficientNetV2، وResNet50.
3. استراتيجية التدريب: لتعزيز متانة النموذج ضد المدخلات الضوضائية أو الصعبة، استخدم المؤلفون التدريب الخصومي (Adversarial Training)، حيث تم توليد أمثلة خصومية بمستويات متفاوتة من الضجيج (epsilon) لتحسين القدرة على التعميم.
4. القابلية للتفسير (XAI): لضمان أن تكون قرارات النموذج شفافة وموثوقة للمهنيين الطبيين، دمجت الدراسة تقنية Grad-CAM لتصور الخرائط الحرارية للمناطق الهامة، وتقنية SHAP (تفسيرات شابل للأجزاء المضافة) لقياس مساهمات الميزات في التنبؤات.

النتائج الرئيسية
قارل التحليل التجريبي أداء النماذج الأربعة عبر الدقة، والضبط (Precision)، والاستدعاء (Recall)، ومقاييس F1:

• مقارنة الأداء: برز نموذج InceptionV3 كأفضل أداء، حيث حقق دقة اختبار بلغت 95.57%، يليه عن كثب نموذج DenseNet201 بنسبة 94.79%. كما تم تقييم EfficientNetV2 وResNet50 ولكن نتائجهما كانت أقل مقارنة بأفضل النموذجين.
• تأثير التدريب الخصومي: أدى تطبيق التدريب الخصومي إلى تحسين متانة نموذج InceptionV3 بشكل كبير. حققت قيمة epsilon المثلى البالغة 0.14 أعلى دقة تحقق بلغت 95.94% مع فقدان تحقق قدره 0.2031، مما يثبت أن حقن الضجيج المعتدل يساعد النموذج على التعامل مع اضطرابات المدخلات بشكل أفضل.
• الأداء الخاص بالفئة: أظهر InceptionV3 دقة مثالية (1.00) لـ "الأظافر السليمة" واستدعاءً مثالياً (1.00) لـ "النقرات". وبينما أظهر كلا النموذجين الأعلى أداءً قدرة عالية على التعميم، وقعت بعض الأخطاء الطفيفة في التصنيف بين الحالات المتشابهة بصرياً (مثل النقرات مقابل Onychomycosis)، مما يسلط الض�وء على مجالات التطوير المستقبلي.
• المقارنة مع الأعمال السابقة: تفوقت النماذج المقترحة على الدراسات السابقة المذكورة في الأدبيات، والتي سجلت دقة تتراوح بين 81.3% (DenseNet121) و91.8% (AE-CNN).

الأهمية والمساهمات
تزعم الورقة أن مساهمتها الأساسية تكمن في تطوير نظام دعم تشخيصي مؤتمت وعالي الدقة، ليس فقط فعالاً بل وقابلاً للتفسير. من خلال الجمع بين التدريب الخصومي وتقنيات XAI (Grad-CAM وSHAP)، يوفر النظام لأطباء الجلد خرائط حرارية بصرية تسلط الضوء على ميزات الأظافر المحددة (مثل تغير اللون أو تغير الملمس) التي تقود التشخيص. تهدف هذه الشفافية إلى بناء الثقة في التوصيات القائمة على الذكاء الاصطناعي، مما يسهل اتخاذ القرارات السريرية بشكل أسرع وأكثر دقة.

يقر المؤلفون بتواضع بالقيود، مشيرين إلى أن حجم مجموعة البيانات (3,835 صورة) صغير نسبياً، وأن الاختلافات في جودة الصور قد تؤثر على القدرة على التعميم. ويقترحون أن العمل المستقبلي يجب أن يركز على توسيع مجموعة البيانات بصور ذات جودة أعلى لتحسين متانة النموذج بشكل أكبر. في النهاية، تضع هذه الدراسة إطار عمل الذكاء الاصطناعي هذا كأداة قيمة، غير جراحية، ومنخفضة التكلفة لدعم الكشف المبكر عن أمراض الأظافر، مما قد يقلل من العبء على مقدمي الرعاية الصحية ويحسن نتائج المرضى.