سرطان الخلايا القاعدية (BC) يعد الأكثر شيوعًا بين أنواع سرطان الجلد، حيث يُشكل نسبة تقترب من 80% من جميع حالات السرطان الجلدية. يُعتبر المنهج الأمثل لإدارة هذه الحالات سريريًا معتمدًا على تصنيف الأنماط الهيستوباثولوجية (histopathologic subtype) المتميزة، حيث تتطلب الأنواع العدوانية معالجة أكثر حدة.

حتى وقت قريب، كان تصنيف الأنماط يعتمد بشكل رئيسي على إجراء الخزعات الجلدية، وهو إجراء مكلف ويشمل درجة من التدخل الجراحي. ولكن، في خطوة رائدة نحو مستقبل أفضل، قام باحثون بتقديم دراسة أولية تكشف عن إمكانية الاعتماد على التعلم العميق (Deep Learning) في تصنيف سرطان الخلايا القاعدية من خلال استخدام صورة واحدة فقط لمكان الإصابة.

تستخدم الدراسة نماذج "رؤية المحول" (Vision Transformers - ViTs)، وهي من أحدث وأكثر النماذج فعالية في معالجة البيانات المحدودة. من خلال تطبيق طريقة تصحيح عبور الصلاحية المتكرر (stratified k-fold cross-validation)، أظهرت النتائج أن نماذج ViTs تستطيع تحقيق أداء متميز يصل إلى 0.784 من أرقى معايير AUC على مجموعة من 1271 صورة درماتوسكوبية (dermatoscopic images) تشمل أنواعًا مختلفة من سرطان الخلايا القاعدية، متفوقة بذلك على الأداء التقليدي المعتمد على الشبكات العصبية التلافيفية (CNN) وأداء القُراء البشر.

تسلط هذه النتائج الضوء على الإمكانيات الكبيرة التي يتيحها الدمج بين التعلم العميق وعلوم الجلدية في تقديم بدائل غير جراحية وأكثر كفاءة لتصنيف سرطان الخلايا القاعدية، مما قد يساعد بشكل كبير في تحسين خطط العلاج ونتائج المرضى.