2025-11-02

التشخيص الدقيق وفي الوقت المناسب للأمراض الجلدية يُعد أمرًا بالغ الأهمية من أجل علاج فعّال للمرضى، ومع ذلك فإن الطرق التشخيصية الحالية غالبًا ما تكون محدودة بطبيعتها الذاتية، وبتطلبها لوقت طويل، إضافةً إلى النقص العالمي في عدد أطباء الجلدية. وفي حين أن نماذج التعلم العميق (Deep Learning)، ولا سيما الشبكات العصبية الالتفافية (CNNs)، قد ظهرت كحل واعد للتصنيف الآلي للأمراض الجلدية، إلا أن أدائها قد يتأثر بتحديات مثل صِغر حجم قواعد البيانات، وعدم توازن الفئات بشكل كبير، وخطر فرط التخصيص (overfitting). علاوة على ذلك، فإن التشابه البصري بين الآفات الجلدية والبُنى غير المرضية يُشكل تحديًا كبيرًا أمام التمييز الدقيق. يتناول هذا البحث هذه التحديات من خلال اقتراح إطار عمل شامل للتشخيص والتصنيف لسبعة أمراض جلدية شائعة. تعتمد الطريقة المقترَحة على دمج شبكة ConvNeXt-Tiny الحديثة مع منظومة هجينة من تقنيات تعزيز البيانات (Data Augmentation) ثنائية المرحلة. تتضمن هذه المنظومة كلاً من التحويلات غير المتصلة (offline transformations) والتعزيزات الاحتمالية المتصلة (online probabilistic augmentations) مثل Mixup و CutMix، والمصممة بدقة لتنظيم النموذج وزيادة قدرته على التعميم من بيانات بصرية متنوعة. وبعد مرحلة معالجة البيانات، والتي شملت إعادة التحجيم والتطبيع (resizing & normalization)، تم تدريب نموذج ConvNeXt-Tiny باستخدام خوارزمية AdamW optimizer، وجدولة معدل تعلم أحادي الدورة (One-Cycle Learning Rate Scheduler)، ودالة خسارة ملساء من نوع Categorical Cross-Entropy. تم تقييم فعالية الطريقة المقترَحة بدقة من خلال مجموعة واسعة من مقاييس الأداء. وتشير النتائج التجريبية إلى أن النهج المقترَح حقق أداءً محسّنًا، مع دقة تصنيف بلغت %95.21، ودقة (Precision)%93.89، واستدعاء (Recall) %89.87، ونوعية (Specificity) %98.62، ودرجة F1 بلغت %91.60، ومنطقة تحت المنحنى (AUC) %98.98. وتُبرز هذه النتائج قوة النموذج الاستثنائية في التمييز بين مجموعة واسعة من الأمراض الجلدية وقدرته العالية على التعميم عبر حالات مختلفة. إضافة إلى ذلك، أظهر التقييم التفصيلي للنموذج الأساسي والمضغوط (Quantized) والمُقَلَّم (Pruned) أن الكمّية الديناميكية (Dynamic Quantization) خفّضت حجم النموذج بنسبة %93.1 (من 106.15 ميغابايت إلى 7.28 ميغابايت) وقلّلت عدد المعاملات من 27,825,511 إلى 1,908,480 مع انخفاض طفيف في الدقة قدره 0.004 فقط، بينما أدى التقليم (Magnitude Pruning) بمعدل ندرة 30% إلى تسريع الاستدلال على وحدة معالجة الرسوميات (GPU) بمقدار 1.53× (تقليل وقت معالجة الدفعة من 642.27 مللي ثانية إلى 420.90 مللي ثانية) مع تحسّن طفيف في الدقة بمقدار **0.002**، مما يحقق توازنًا عمليًا بين التصنيف عالي الأداء والنشر الفعّال من حيث الموارد. وبتقديم حل قابل للتوسّع، ثابت، وموضوعي للتصنيف الآلي للأمراض الجلدية، يُسهم هذا البحث في تطوير أداة قوية لأنظمة التشخيص بمساعدة الحاسوب (CAD)، والتي يمكن أن تساعد الأطباء في عملهم وتساهم في نهاية المطاف في التخفيف من النقص العالمي في أطباء الجلدية.