في عصر الذكاء الاصطناعي والتقدم التكنولوجي، عُرض مؤخرًا نموذج MambaLiteUNet، الذي يمثل نقلة نوعية في عالم تقسيم الصور الطبية، وخاصة في مجال الجلد. تقدم هذه التكنولوجيا المتطورة حلاً لمشكلات النماذج التقليدية التي غالبًا ما تعاني في تحديد حدود الأورام الجلدية بدقة، وهو أمر بالغ الأهمية في تشخيص سرطان الجلد مبكرًا.

يعتمد MambaLiteUNet على تكامل نموذج حالة Mamba ضمن بنية U-Net، مما يجعله ضئيلًا ولكنه قوي. وتتميز هذه التقنية بوجود ثلاثة مكونات أساسية: دمج الميزات المتعددة الفروع المتكيف (Adaptive Multi-Branch Mamba Feature Fusion - AMF)، وخلط الميزات المحلية والعالمية (Local-Global Feature Mixing - LGFM)، والانتباه عبر البوابات المتقاطعة (Cross-Gated Attention - CGA).

تم تصميم هذه المكونات لتعزيز تفاعل الميزات المحلية والعالمية، والحفاظ على التفاصيل المكانية، وتحسين جودة الاتصالات المتجاوزة. وقد أظهر النموذج MambaLiteUNet نتائج مذهلة بحصوله على متوسط IoU بنسبة 87.12% ومتوسط Dice بنسبة 93.09% في مجموعة البيانات المعروفة مثل ISIC2017 وISIC2018 وHAM10000 وPH2، متفوقًا بذلك على النماذج الرائدة.

عند مقارنته بنموذج U-Net، يتفوق MambaLiteUNet بزيادة في متوسط IoU وDice بمقدار 7.72 و4.61 نقطة، بينما يُقلل من عدد المعلمات بنسبة 93.6% ومن عدد العمليات الحسابية (GFLOPs) بنسبة 97.6%. والأكثر إثارة للإعجاب هو الأداء المتميز للنموذج في التعميم على مجالات جديدة مع ست فئات من الأورام التي لم تظهر من قبل، حيث حقق 77.61% IoU و87.23% Dice، مما يجعله الأفضل بين جميع النماذج التي تم تقييمها.

مع إجراء تجارب موسعة، أثبت MambaLiteUNet قدرته على تحقيق توازن قوي بين الدقة والكفاءة، مما يجعله حلاً تنافسيًا وعمليًا لتقسيم صور الأمراض الجلدية. لذا، أصبح بإمكان الأطباء والباحثين الاعتماد على هذه التقنية المتطورة لتعزيز عملية التشخيص والعلاج.

للاطلاع على الكود المصدري لهذا النموذج، يمكن زيارة الرابط: [رابط_المقال].