إطار تعلم عميق يوازن عدم اليقين ويقدم تفسيرات دقيقة لتصنيف آفات الجلد المتعددة

تظل عملية تشخيص سرطان الجلد من الصور المشتقة (Dermoscopic Images) أحد التحديات الكبرى في الطب الحديث، إذ تتميز بتباين داخلي بين الأنواع المختلفة وتداخل بين الفئات. لذلك، جاء بحث جديد ليقدم حلاً مبتكراً يتمثل في إطار تعلم عميق (Deep Learning Framework) يوازن بين عدم اليقين ويقدم تفسيرات دقيقة.

عبر دمج نموذج محول الرؤية (Vision Transformer) المبتكر المعروف باسم (MaxViT-Tiny) مع النماذج المعتمدة على الشبكات العصبية التلافيفية (Convolutional Neural Networks) مثل (ConvNeXt-Tiny) و (EfficientNetV2-B0)، يضمن هذا الإطار التعلم العميق تقديم دقة مذهلة في تصنيف آفات الجلد المتعددة.

إحدى المزايا البارزة لهذه الأداة هي استخدام تقنية الإسقاط العشوائي (Monte Carlo Dropout) لتقدير عدم اليقين في التوقعات، مما يمكّن النظام من تحديد التوقعات غير الدقيقة. أما تقنية Grad-CAM++، فتضفي بعداً تعليمياً على النموذج، حيث تعرض المناطق التي تؤثر على قرارات النماذج مما يسهل فهم مخرجاتها.

عند تقييمه باستخدام مجموعة بيانات HAM10000، حقق هذا الإطار دقة بلغت 96% ونسبة ROC-AUC بلغت 99% تحت تصفية عدم اليقين (عندما كان الانتروبيا 0.7). وأظهر الدقة المتوسطة، والاسترجاع، ودرجة F1 94% و 95% و 95% على التوالي.

تمثل النتائج التي تم التوصل إليها تطوراً ملحوظاً في طريقة تصنيف الآفات الجلدية، حيث توفر دقة وقابلية للتفسير تساهم في تعزيز موثوقية التشخيصات المدعومة بالذكاء الاصطناعي.