SCD-E2S: Deep Learning Based Skin Cancer Detection Using EfficientNetV2-S with Attention Mechanisms

يعد سرطان الجلد تحدياً صحياً عالمياً متزايداً، حيث تظهر أكثر أشكاله شيوعاً على هيئة بقع داكنة، أو نتوءات بارزة، أو رقع غير منتظمة على الجلد. ويعد اكتشاف هذه الحالات مبكراً أمراً حيوياً، لأن ذلك يحسن بشكل كبير من فرص المريض في الشفاء التام. لعقود من الزمن، اعتمد الأطباء على أعينهم وخبراتهم لرصد هذه العلامات التحذيرية، لكن التقدير البشري يمكن أن يتباين من طبيب لآخر، كما أن الاختلافات البصرية بين الشامة الحميدة والورم الخطير قد تكون دقيقة للغاية. وفي السنوات الأخيرة، برز فرع من فروع الذكاء الاصطناعي يُعرف بالتعلم العميق كأداة قوية للمساعدة في هذه المهمة. تتعلم هذه الأنظمة الحاسوبية من خلال دراسة آلاف الصور الطبية، حيث تتعرف تدريجياً على الأنماط المعقدة التي تميز الجلد السليم عن المرض. والهدف ليس استبدال الطبيب، بل تقديم رأي ثانٍ موثوق يمكنه رصد ما قد يتم إغفاله، خاصة في المناطق التي يصعب فيها الوصول إلى الرعاية المتخصصة.

لقد طور فريق من الباحثين الآن نظاماً جديداً صُمم لجعل هذه التكنولوجيا أسرع، وأكثر دقة، وجاهزة للاستخدام في العالم الحقيقي. ويركز عملهم على نوع محدد من بنية الذكاء الاصطناعي يسمى "EfficientNetV2-S"، والذي يعمل بمثابة عقل النظام. ولجعل هذا العقل أكثر حدة، أضاف الباحثون آليات انتباه خاصة، تعمل مثل كشاف الضوء الذي يساعد الكمبيوتر على التركيز على التفاصيل الأكثر أهمية للآفة الجلدية مع تجاهل الضوضاء الخلفية غير ذات الصلة. وقد دربوا هذا النظام باستخدام مجموعة ضخمة تضم أكثر من 14,000 صورة درموسكوبية (صور جلدية مجهرية) – وهي صور مكبرة جداً للجلد ملتقطة بكاميرا خاصة. وقبل تغذية هذه الصور للكمبيوتر، قام الفريق بتنظيفها عبر إزالة العناصر المشتتة مثل الشعر أو علامات المسطرة، وتعزيز التباين بحيث تصبح حواف البقع أكثر وضوحاً. كما حرصوا على موازنة البيانات، لضمان رؤية الكمبيوتر لأمثلة كافية من السرطانات النادرة والخطيرة ليتعلم كيفية رصدها، بدلاً من مجرد التركيز على الحالات الشائعة وغير الضارة.

كانت عملية التدريب جهداً مدروساً ومرحلياً. أولاً، تعلم الكمبيوتر الأساسيات باستخدام الصور الجديدة، ثم سُمح له بصقل فهمه من خلال النظر في الطبقات الأعمق لمعرفته الخاصة. ولمنع النظام من حفظ صور التدريب بشكل مثالي للغاية – وهو خطأ قد يجعله يفشل عند التعامل مع صور جديدة – استخدم الباحثون تقنية تقوم بخلط صور مختلفة معاً أثناء التعلم، مما يجبر النظام على فهم المفاهيم الأساسية بدلاً من مجرد البكسلات المحددة. كما قاموا بتعديل القواعد الداخلية للنظام ليعطي اهتماماً إضافياً للحالات الأكثر صعوبة، لا سيما سرطان الميلانوما، لضمان عدم إغفالها. وعند اختباره على صور لم يرها من قبل، بما في ذلك بيانات من قاعدتي بيانات طبيتين رئيستين أخريين، حقق النظام معدل دقة تجاوز 97 بالمائة. وقد حدد بشكل صحيح الأنواع الثلاثة الرئيسية من الآفات الجلدية التي صُمم للعثور عليها، وهي: الميلانوما، وسرطان الخلايا القاعدية، والوحمات الميلانينية.

إن ما يميز هذا العمل ليس فقط الدرجة العالية التي حققها، بل الكيفية التي بُني بها النظام ليكون مفيداً خارج المختبر. فقد قام الباحثون بتغليف نموذجهم المدرب في تطبيق للهواتف المحمولة يعمل على الهواتف الذكية القياسية. وفي هذا الإعداد، يمكن للمستخدم التقاط صورة لبقعة مشبوهة، ويتم إرسال الصورة بأمان إلى خادم حيث يقوم الكمبيوتر بتحليلها في أكثر من ثانية واحدة فقط. ثم يعيد التطبيق نتيجة مع درجة ثقة، ليعمل كأداة لدعم القرار لكل من المرضى والأطباء. ويؤكد الباحثون أن هذه الأداة مصممة للمساعدة، وليس لاستبدال التشخيص الطبي المهني. ومن خلال الجمع بين نموذج حاسوبي عالي الكفاءة وواجهة تطبيق عملية، أثبت الفريق أن الذكاء الاصطناعي المتقدم يمكن جعله متاحاً للاستخدام الفوري في العيادات أو المناطق النائية. وتشير الدراسة إلى أنه مع مزيد من الاختبارات على مجموعات متنوعة من المرضى والدمج في سير العمل الطبي، يمكن لهذه الأنظمة أن تصبح جزءاً معيارياً من الكشف المبكر عن سرطان الجلد، مما يساعد في إنقاذ الأرواح عبر رصد المرض في وقت مبكر.