WaveInvNet: A Wavelet-Separated Dynamic Involution Network for Multimodal Skin Lesion Classification
تقترح هذه الورقة البحثية WaveInvNet، وهي بنية تعلم عميق متعددة الوسائط وخفيفة الوزن تدمج الصور الجلدية مع البيانات الوصفية للمريض باستخدام كتلة "التداخل الديناميكي المنفصل بالمويجات" (Wavelet-Separated Dynamic Involution) المبتكرة لالتقاط سمات الآفات غير المتجانسة بشكل تكيفي، محققةً أداءً هو الأفضل في فئته في تصنيف الآفات الجلدية على مجموعة بيانات HAM10000.
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
يعد سرطان الجلد تحدياً عالمياً مستمراً، حيث يتم تشخيص ملايين الحالات الجديدة كل عام. ومن بين هذه الحالات، يعد الورم الميلانيني (Melanoma) خطيراً بشكل خاص لأنه يمكن أن ينتشر بسرعة إلى أجزاء أخرى من الجسم، مما يجعل الكشف المبكر مسألة حياة أو موت. لعقود من الزمن، اعتمد الأطباء على تنظير الجلد (Dermoscopy)، وهي تقنية تستخدم أداة تكبير متخصصة لفحص الآفات الجلدية بالتفصيل. ومع ذلك، تعتمد هذه العملية بشكل كبير على خبرة الطبيب، وحتى الخبراء قد يختلفون فيما يرونه. وللمساعدة في هذا الصدد، لجأ العلماء إلى الذكاء الاصطناعي، حيث قاموا بتعليم الحواسيب التعرف على الأنماط الدقيقة للأمراض في الصور الطبية. وبينما أصبحت هذه الأنظمة الحاسوبية جيدة جداً في رصد الشذوذات، إلا أنها غالباً ما تواجه صعوبة في التعامل مع تعقيد الآفات الجلدية. فالأنظمة التقليدية تعامل كل جزء من الصورة بنفس الطريقة، باستخدام مجموعة واحدة وثابتة من القواعد لمسح الصورة بأكملها. وهذا النهج قد يغفل عن الأنسجة الفريدة لمركز الآفة أو الحواف غير المنتظمة لحدودها، مما يؤدي إلى الفشل في التكيف مع التفاصيل المحددة التي تميز الشامة الحميدة عن الورم الخطير.
لقد طور فريق من الباحثين من جامعة سيدي محمد بن عبد الله في المغرب نهجاً جديداً لحل هذه المشكلة، حيث ابتكروا نظاماً أطلقوا عليه اسم "WaveInvNet". وبدلاً من استخدام طريقة واحدة تناسب الجميع، صُمم نظامهم للنظر إلى صورة الجلد بطريقتين مختلفتين في آن واحد: إحداهما تلتقط الشكل العام والواسع للآفة، والأخرى تركز على التفاصيل الدقيقة والمعقدة. وقد حققوا ذلك باستخدام تقنية رياضية تُعرف باسم "تحويل المويجات" (Wavelet Transform)، والتي تعمل مثل المنشور للصور، حيث تقسم المعلومات المرئية إلى طبقات منفصلة من الهيكل والملمس. ومن خلال فصل هذه الطبقات، يمكن للحاسوب تحليل الصورة الكبيرة والتفاصيل الصغيرة بشكل مستقل، مما يضمن عدم فقدان أي دليل تشخيصي حاسم في هذه العملية.
بنى الباحثون نظامهم حول مكون مبتكر أطلقوا عليه اسم "كتلة التراجع الديناميكي المنفصلة بالمويجات" (Wavelet-Separated Dynamic Involution block). وبعبارة أبسط، هذه وحدة معالجة ذكية تتعلم كيفية ضبط تركيزها بناءً على ما تراه. فعندما يواجه النظام منطقة ناعمة من الجلد، فإنه يطبق مجموعة واحدة من القواعد التحليلية؛ وعندما يواجه حافة خشنة وغير منتظمة، فإنه ينتقل فوراً إلى مجموعة مختلفة من القواعد التي تعد أكثر ملاءمة لذلك الملمس المحدد. هذا التعديل الديناميكي يسمح للحاسوب بأن يكون أكثر حساسية للخصائص الفريدة لكل آفة. علاوة على ذلك، لا يعتمد النظام على الصورة وحدها، بل يأخذ أيضاً في الاعتبار معلومات المريض، مثل العمر، والجنس، وموقع الآفة في الجسم. ومن خلال الجمع بين التحليل البصري وهذه الحقائق السريرية، يرسم النظام صورة أكثر اكتمالاً لحالة المريض قبل إجراء التشخيص.
لاختبار ابتكارهم، قام الباحثون بتدريب النظام باستخدام مجموعة كبيرة تضم أكثر من 10,000 صورة جلدية من مجموعة بيانات "HAM10000"، والتي تتضمن سبعة أنواع مختلفة من الآفات الجلدية. وقاموا بتقسيم البيانات بحيث تعلم النظام من معظم الصور، ثم تم اختباره على الصور التي لم يسبق له رؤيتها. كانت النت النتائج مذهلة؛ فقد حدد النظام نوع الآفة الجلدية بشكل صحيح في 93.63% من حالات الاختبار، وهو أداء تفوق على العديد من نماذج الذكاء الاصطناعي الشهيرة الأخرى. كما حقق درجة 98.46% في قدرته على التمييز بين فئات الأمراض المختلفة، وهو مقياس يُعرف بـ "المساحة تحت المنحنى" (Area Under the Curve). ولعل الأهم من ذلك هو أن النظام حقق هذا المستوى العالي من الدقة مع استخدام موارد حاسوبية أقل بكثير من منافسيه؛ فقد تطلب 2.54 مليون إعداد قابل للضبط فقط، وهو أقل من نصف العدد الذي تحتاجه بعض النماذج الرائدة الأخرى، مما يجعله أداة خفيفة الوزن وفعالة للاستخدام الطبي.
كما كشفت الدراسة عن المجالات التي تفوق فيها النظام والمجالات التي لا يزال يواجه فيها تحديات. فقد كان مثالياً في تحديد أنواع معينة من الآفات النادرة، مثل الآفات الوعائية والدرماتوفايبروما (Dermatofibromas)، حيث لم يرتكب أي أخطاء في مجموعة الاختبار. ومع ذلك، فقد خلط أحياناً بين الورم الميلانيني والشامات الحميدة، وهما الفئتان الأكثر شيوعاً وتشابهاً من الناحية البصرية. وهذا الارتباك هو صعوبة معروفة في هذا المجال، حيث يمكن أن تكون الاختلافات البصرية بين الورم الميلانيني الخطير والشامة الحميدة دقيقة للغاية. وبالرغم من هذه الأخطاء الطفيفة، أظهر النظام قدرة ثابتة على الفصل بين فئات الأمراض المختلفة، مما أثبت أن منهجه في تقسيم الصورة إلى مكونات هيكلية وتفصيلية يعمل بفعالية. وأشار الباحثون إلى أنه بينما كان النظام يعمل بشكل جيد على مجموعة البيانات هذه، فإن العمل المستقبلي سيحتاج إلى اختباره على مجموعة متنوعة من الصور والحالات السريرية لضمان عمله بموثوقية في المستشفيات الواقعية.
يمثل هذا العمل خطوة مهمة للأمام في كيفية مساعدة الذكاء الاصطناعي للأطباء في تشخيص سرطان الجلد. فمن خلال الابتعاد عن التحليل الجامد الموحد وتبني منهج يتكيف مع التفاصيل المحددة لكل صورة، أظهر الباحثون أن الآلات يمكنها تعلم رؤية الآفات الجلدية بشكل يشبه الخبراء البشر. إن دمج بيانات المريض مع التحليل البصري يعزز التشخيص، محاكياً الطريقة التي ينظر بها الطبيب إلى المريض ككل، وليس فقط إلى البقعة الموجودة على جلده. ومع استمرار تصاعد عبء سرطان الجلد، تقدم أدوات مثل "WaveInvNet" مساراً واعداً نحو رعاية أسرع وأكثر دقة وسهولة في الوصول إليها، مما قد يسهم في إنقاذ الأرواح من خلال اكتشاف المرض في وقت مبكر أكثر من أي وقت مضى.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.