تحليل مقارن للشبكات العصبية التلافيفية المدربة مسبقاً في كشف الميلانوما: ماذا يكشف الأداء؟

تعتبر الميلانوما من أخطر أنواع السرطانات الجلدية، ولذا فإن الكشف المبكر عنها يعد أمراً حيوياً لتحسين معدلات بقاء المرضى. ومع ذلك، تبقى التحديات قائمة في التمييز الدقيق بين الميلانوما وأنواع الآفات الجلدية الأخرى، نظراً للتشابه البصري العالي بين الأنواع والاختلافات في ظروف التقاط الصور. في السنوات الأخيرة، برز الذكاء الاصطناعي، وتحديداً التعلم الآلي، كأداة واعدة لدعم تشخيص الأمراض الجلدية عن طريق أتمتة استخراج الميزات من الصور الطبية.

تستخدم الدراسة الحالية الشبكات العصبية التلافيفية (Convolutional Neural Networks - CNNs) المدربة مسبقاً كأداة رئيسية في فحص الصور الجلدية، حيث أثبتت هذه النماذج قدرتها الفائقة في مهام تصنيف الصور. تم إجراء تجارب باستخدامdatasets مختلفة من الصور الجلدية، بما في ذلك مجموعة بيانات HAM10000 وISIC 2018 وCR-AI4SkIN لتقييم أداء نماذج CNCs مثل ResNet50 وVGG16 وVGG19 وMobileNet وInceptionV3.

كانت نتائج التجارب مثيرة للاهتمام، حيث تم تسجيل دقة تتراوح من 71% (InceptionV3 على ISIC 2018) إلى 84% (ResNet50 على HAM10000) عند تحليل صور الديرماتوسكوب. وبالنسبة للصور الهستوباثولوجية، تراوحت الدقة من 72% (VGG19) إلى 83% (ResNet50) على مجموعة بيانات CR-AI4SkIN.

تشير النتائج إلى اختلاف أداء النماذج بين نوعي الصور، حيث تظهر النماذج أداءً متشابهاً على الصور الديرماتوسكوبية بينما تبرهن على تباين الأداء على البيانات الهستوباثولوجية. هذه النتائج تضعنا أمام تساؤلات حول كيفية تحسين هذه النماذج لتحسين دقة التشخيص في المستقبل.

كيف ترون دور التكنولوجيا في تحسين عمليات التdiagnosis؟ شاركونا آرائكم وتجاربكم.