📊 statistics

Agreement Between Fitzpatrick-17k Skin-Type Labels Is Metric- and Stratum-Dependent: A Chance-Corrected Reanalysis

تعيد هذه الورقة تحليل مجموعة بيانات "Fitzpatrick-17k" باستخدام إحصاءات مصححة للاحتمالات لإثبات أن الاتفاق بين مصادر التوسيم يعتمد بشكل كبير على المقياس المختار وطبقة نوع البشرة، مما يكشف عن تباينات جوهرية — لا سيما في درجات البشرة الداكنة — تستوجب الإبلاغ الشفاف عن المنهجية وفترات الثقة لكل طبقة في أبحاث الذكاء الاصطناعي في مجال الأمراض الجلدية.

المؤلفون الأصليون: Niya Pennie

نُشر 2026-08-13

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Niya Pennie

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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 تعليم روبوت التعرف على درجات مختلفة من بشرة الإنسان، تماماً مثل طالب فنون رقمية يتعلم رسم البورتريه. وللقيام بذلك، يحتاج الروبوت إلى "معلم" ينظر إلى الصور ويقول: "هذا باهت جداً"، أو "هذا بني عميق". في عالم طب الجلد والذكاء الاصطعي، غالباً ما يكون هذا المعلم هو "المُصنِّف" البشري الذي يحدد نوع البشرة بناءً على مقياس فيتزباتريك، وهو نظام يصنف البشرة إلى ست فئات، من النوع الأول (فاتح جداً، يحترق دائماً) إلى النوع السادس (بني عميق، نادراً ما يحترق). لكن الجزء الصعب هنا هو أن البشر ليسوا مثاليين. قد يرى شخص ما صورة بأنها "بنية متوسطة"، بينما يراها آخر "بنية داكنة". إذا تعلم الروبوت من هذه التعليمات المختلطة، فقد يصاب بالارتباك، خاصة عند محاولة مساعدة الأشخاص ذوي البشرة الداكنة الذين يعانون بالفعل من نقص التمثيل في الرعاية الطبية. السؤال الكبير هو: إلى أي مدى يتفق هؤلاء المعلمين البشر مع بعضهم البعض حقاً، وهل يهم إذا اختلفوا بمقدار خطوة واحدة فقط على المقياس؟

هذه الورقة البحثية تشبه قصة بوليسية، حيث تعود الباحثة "نيا بيني" إلى مجموعة بيانات شهيرة تسمى Fitzpatrick-17k للتحقق من "واجب المنزلي". تم إنشاء مجموعة البيانات هذه من خلال الطلب من مجموعتين مختلفتين من العمال (واحدة من Scale AI والأخرى من Centaur Labs) تصنيف آلاف صور البشرة. قال المبتكرون الأصليون لمجموعة البيانات: "مهلاً، في 85% من الحالات، كانت مجموعتا العمل قريبتين جداً من بعضهما، وعادة ما تكون الفجوة في حدود خطوة واحدة فقط!". بدا هذا رائعاً. لكن "بيني" قررت إجراء اختبار أكثر صرامة ورياضياً لترى ما يحدث حقاً. لم تسأل فقط: "هل كانا قريبين؟"، بل سألت: "هل اختارا نفس الرقم تماماً؟ وهل يُعد كونهما بعيدين بمقدار خطوة واحدة بمثابة فوز أم خسارة؟"

إليك ما وجده التحقيق. أولاً، قصة "القرب دون التطابق" صحيحة: إذا اعتبرت أن كون المجموعة بعيدة بمقدار نوع بشرة واحد فقط يعد "اتفاقاً"، فنعم، اتفقت المجموعتان بنسبة 91% من الوقت. ولكن إذا اشترطت أن يختارا نفس الرقم تماماً، فإن نسبة الاتفاق تنخفض إلى أقل من النصف (47.9%). الأمر يشبه صديقين ينظران إلى غروب الشمس، أحدهما يقول "برتقالي" والآخر يقول "برتقالي محمر". إنهما قريبان، لكنهما لا يقولان الشيء نفسه.

اكتشفت الورقة أيضاً أن هذا الاختلاف ليس موزعاً بالتساوي. الأمر يشبه لعبة تتغير قواعدها بناءً على النتيجة. بالنسبة لأنواع البشرة الأفتح (النوع الأول)، اتفقت المجموعتان بنسبة 88% تقريباً. ولكن بالنسبة لأنواع البشرة الداكنة (الأنواع من الثاني إلى السادس)، انهار الاتفاق بشكل حاد، حيث تراوح بين 34% و55%. بعبارة أخرى، كان المعلمون البشر أكثر ارتباكاً بشأن البشرة الداكنة مقارنة بالبشرة الفاتحة. علاوة على ذلك، لم يكن اختلاف المجموعتين عشوائياً؛ بل كان لديهما نمط معين. فقد مالت مجموعة "Centaur Labs" إلى تصنيف الصور على أنها أفتح من مجموعة "Scale AI"، خاصة بالنسبة لدرجات البشرة الداكنة.

أخيراً، تشير الورقة إلى وجود "مشكلة في العد". بالنسبة لفئة البشرة الأكثر دكنة (النوع السادس)، هناك عدد قليل جداً من الصور التي تظهر حالات جلدية خطيرة (صور خبيثة) في مجموعة البيانات. تحت نظام تصنيف واحد، كان هناك 61 صورة كهذه؛ وتحت النظام الآخر، كان هناك 45 فقط. ولأن هذه الأرقام صغيرة جداً، تقترح الورقة أن أي دراسة تحاول قياس مدى كفاءة الذكاء الاصطناعي على هذه المجموعة تحديداً ستكون أشبه بمحاولة تخمين متوسط طول غرفة عن طريق قياس ثلاثة أشخاص فقط. ستكون النتائج متذبذبة وغير دقيقة للغاية بحيث لا يمكن الوثوق بها.

لذا، فإن الاستنتاج الرئيسي ليس أن مجموعة البيانات عديمة الفائدة، بل أننا بحاجة إلى أن نكون أكثر حذراً في كيفية قراءتها. تجادل الورقة بأنه لا يمكن للباحثين القول ببساطة "إن الذكاء الاصطناعي عادل" دون تحديد أي نظام تصنيف استخدموا بالضبط، وكيف عرّفوا "الاتفاق"، وما إذا كان لديهم ما يكفي من البيانات لتقديم ادعاء قوي. إذا غيرت قواعد اللعبة (مصدر التصنيف) أو حجم الفريق (عدد الصور)، فإن النتيجة تتغير. وتخلص الورقة إلى أنه لفهم ما إذا كان الذكاء الاصطناعي عادلاً للجميع حقاً، نحتاج إلى التوقف عن معاملة هذه التصنيفات كحقائق مطلقة، والبدء في الإبلاغ بدقة عن مدى عدم اليقين والتباين الذي تتسم به.

أبحاث مشابهة