← أحدث الأبحاث
💻 computer science

MIFR: A Modality-Invariant and Fair Representation Framework for Skin Disease Classification

تقدم هذه الورقة البحثية إطار عمل MIFR، وهو إطار عمل مبتكر يستفيد من الصور السريرية والجلدية متعددة الأنماط مع دالة فقد متعددة الأهداف لتحقيق تصنيف عالي الدقة لأمراض الجلد وأداء عادل عبر مختلف درجات لون البشرة في آن واحد.

المؤلفون الأصليون: Asonyu Senge Njih, Yvan Guifo Fodjo, Vianney Kengne Tchendji, Jerry Lacmou Zeutouo, Kerol Djoumessi

نُشر 2026-08-20
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Asonyu Senge Njih, Yvan Guifo Fodjo, Vianney Kengne Tchendji, Jerry Lacmou Zeutouo, Kerol Djoumessi

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

يعتبر الجلد أكبر أعضاء الجسم، وهو عبارة عن مشهد معقد حيث يمكن للبقع غير الضارة والسرطانات الخطيرة أن تبدو متشابهة بشكل مذهل. لعقود من الزمن، اعتمد الأطباء على طريقتين رئيسيتين لفحص هذه الآفات: صورة سريرية عادية ملتقطة بكاميرا عادية، وصورة مكبرة للغاية ملتقطة بجهاز خاص يسمى المنظار الجلدي (dermoscope). وبينما أصبحت الذكاء الاصطناعي بارعاً مؤخراً في رصد أمراض الجلد، تواجه هذه الأدوات الرقمية عقبتين مستعصيتين. أولاً، تم تدريب معظم الأنظمة على النظر إلى نوع واحد فقط من الصور، مما يعني أن النموذج الذي يعمل جيداً على الصور المنظارية المكبرة قد يفشل تماماً عند استخدامه على صورة سريرية عادية. ثانياً، والأمر الأكثر أهمية، غالباً ما تعاني هذه الأنظمة عند تطبيقها على الأشخاص ذوي البشرة الداكنة. نظرًا لأن الغالبية العظمى من بيانات التدريب تأتي من أشخاص ذوي بشرة فاتحة، فإن الخوارزميات تتعلم التعرف على الأمراض بناءً على سمات لا تترجم بشكل جيد إلى درجات البشرة الداكنة، مما يؤدي إلى تشخيصات خاطئة ونتائج رعاية صحية غير متكافئة.

اقترح فريق من الباحثين نهجاً جديداً لحل كلتا المشكلتين في آن واحد، من خلال إنشاء نظام يعامل أنواع الصور المختلفة ودرجات لون البشرة المختلفة بإنصاف متساوٍ. يقدم عملهم، الذي يحمل عنوان MIFR، إطار عمل مصمماً لتعلم فهم موحد لأمراض الجلد لا يعتمد على كيفية التقاط الصورة أو لون البشرة. بدلاً من بناء أدوات منفصلة للصور السريرية والصور المنظارية، أو تدريب نماذج مختلفة لأنواع البشرة المختلفة، يتعلم هذا النظام رؤية المرض الكامن نفسه. قام الباحثون بربط الصور السريرية بصورها المنظارية المقابلة لنفس المريض، لتعليم الكمبيوتر أن هاتين الصورتين المختلفتين تماماً في المظهر تعرضان في الواقع نفس الحالة الطبية. ومن خلال إجبار النظام على مواءمة هذين المنظرين المختلفين، يتعلم النموذج تجاهل الاختلافات السطحية الناتجة عن الكاميرا أو الإضاءة والتركيز كلياً على العلامات البيولوجية للمرض.

ولضمان عدم تعلم النظام للتمييز بناءً على لون البشرة عن طريق الخطأ، أضاف الباحثون آلية تدريب ذكية. لقد علموا الكمبيوتر التنبؤ بالمرض بينما يحاول في الوقت نفسه إخفاء نوع بشرة المريض عن النموذج. تخيل طالباً يجب عليه الإجابة على سؤال صعب بشكل صحيح، ولكنه ممنوع من استخدام أي أدلة تتعلق بخلفية الطالب للقيام بذلك. في هذه النسخة الرقمية، يلعب النظام لعبة حيث يحاول جزء واحد تخمين لون البشرة من سمات الصورة، بينما يحاول جزء آخر تشويه تلك السمات ليفشل التخمين. ومع مرور الوقت، يتعلم النظام تجريد المعلومات المتعلقة بلون البشرة، والاحتفاظ فقط بالتفاصيل اللازمة لتشخيص المرض. تضمن هذه العملية أن الأداة النهائية ستعمل بشكل جيد للشخص ذي البشرة الأكثر قتامة تماماً كما تعمل لشخص ذي البشرة الأكثر فاتحة.

اختبر الباحثون إطار عملهم الجديد على مجموعة من صور الجلد من عدة قواعد بيانات عامة، بما في ذلك مجموعة من الصور المزدوجة حيث توجد صورة سريرية وصورة منظارية لكل من الآفة نفسها. وقد ركزوا على ثلاث حالات شائعة: الميلانوما (سرطان الجلد الخبيث)، والشامات (nevi) وهي شامات حميدة، وسرطان الخلايا القاعدية (basal cell carcinoma) وهو النوع الأكثر شيوعاً من سرطان الجلد. وأظهرت النتائج أن النظام يمكنه تصنيف هذه الأمراض بدقة سواء كان ينظر إلى صورة عادية أو إلى عرض مكبر، مما يثبت أنه نجح في تعلم تمثيل ثابت لا يتغير بتغير نوع الصورة (modality-invariant representation). وعند اختباره على بيانات لم يسبق له رؤيتها، بما في ذلك مجموعات بيانات من مناطق مختلفة، حافظ النموذج على دقة عالية، متفوقاً على الطرق السابقة المتخصصة في نوع واحد فقط من الصور.

ولعل الأهم من ذلك هو أن النظام أظهر تحسناً كبيراً في الإنصاف. فعندما قاس الباحثون مدى أداء النموذج عبر درجات لون البشر المختلفة، أظهر النهج الجديد فجوة أصغر بكثير في الدقة بين المجموعات الأفتح والأغمق مقارنة بالأدوات الحالية. وأكدت عمليات التصوير البياني للبيانات أن الكمبيوتر قد قام بالفعل بتجميع الصور التي تحمل نفس المرض معاً، بغض النظر عما إذا كانت قادمة من كاميرا سريرية أو منظار جلدي، وبغض النظر عن درجة لون بشرة المريض. كانت تجمعات نقاط البيانات في الخريطة الداخلية للكمبيوتر مختلطة، مما يظهر أن النظام لم يعد يفصل المرضى حسب لون بشرتهم أو نوع الصورة المستخدمة.

بينما تعد النتائج واعدة، يقر الباحثون بأن طريقتهم ليست حلاً مثالياً لكل حالة. يتطلب النظام حالياً صوراً مزدوجة للتدريب، وهي نادرة في العالم الحقيقي، كما أن إعداد الكاميرا المزدوجة يزيد من التكلفة الحسابية. علاوة على ذلك، لاحظت الدراسة أن أداء النموذج انخفض قليلاً عند اختباره على مجموعة بيانات تحتوي فقط على صور منظارية، مما يشير إلى أن الجهد المبذول لجعل النظام يعمل لكلا النوعين من الصور قد يعني أحياناً التضحية بجزء ضئيل من التفاصيل المحددة الموجودة في نوع واحد منها. ورغم هذه القيود، يمثل هذا العمل خطوة مهمة إلى الأمام؛ فهو يثبت أنه من الممكن بناء ذكاء اصطناعي ليس دقيقاً فحسب، بل وعادلاً أيضاً، وقادراً على خدمة المرضى عبر كامل طيف درجات لون البشر البشري وعبر مختلف إعدادات التصوير الطبي دون الحاجة إلى أدوات منفصلة ومتخصصة لكل منها.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 💻 cs →