DOI: https://doi.org/10.1038/s41598-025-91446-6
PMID: https://pubmed.ncbi.nlm.nih.gov/40021731
تاريخ النشر: 2025-03-01
المؤلف: Khadija Nawaz وآخرون
الموضوع الرئيسي: كشف وإدارة الميلانوما الجلدية
نظرة عامة
تتناول الأبحاث التحديات المتعلقة بالكشف المبكر وتشخيص الميلانوما الجلدية الخبيثة، وهو ورم يتميز بانخفاض معدل حدوثه ولكنه يتمتع بمعدلات وفيات مرتفعة. أثبتت الأساليب التقليدية في التعلم الآلي لتصنيف أورام الميلانوما عدم كفايتها بسبب عدم قدرتها على استخراج ميزات دقيقة من الآفات الجلدية، وهو أمر حاسم للتشخيص الدقيق. للتغلب على هذه القيود، تقدم الدراسة بنية جديدة للتعلم العميق، FCDS-CNN، التي تعزز مجموعة بيانات الميلانوما من خلال تقنيات زيادة البيانات ووزن الفئات لمعالجة عدم التوازن في الفئات. تم تدريب النموذج على مجموعة بيانات تتكون من 10,015 صورة عبر سبع فئات من الآفات الجلدية وحقق دقة متوسطة مثيرة للإعجاب بلغت 96%، متجاوزًا العديد من النماذج المدربة مسبقًا، بما في ذلك InceptionResNetV2 (93%)، ResNet152V2 (91%)، MobileNetV3 (90%)، و EfficientNetV2B0 (88%).
تؤكد النتائج فعالية نموذج FCDS-CNN في استخراج الميزات ذات الصلة من الآفات الجلدية مع إدارة التحديات مثل عدم التوازن في الفئات وتفاوت جودة الصور. من خلال مقارنة منهجية بين خمسة نماذج للتعلم العميق، بما في ذلك أربعة هياكل مدربة مسبقًا وFCDS-CNN المطور من الصفر، تظهر الدراسة أن النموذج المقترح يتفوق بشكل كبير على نظرائه في الدقة والاسترجاع وF1-score ومنطقة تحت المنحنى. تسلط هذه الأبحاث الضوء على إمكانيات نموذج FCDS-CNN كأداة متخصصة للكشف المبكر عن سرطان الجلد، مما يوفر حلاً أكثر تخصيصًا للممارسة السريرية يمكن أن يحسن دقة التشخيص ويعزز في النهاية نتائج المرضى في علاج الميلانوما.
الطرق
في هذه الدراسة، تم تقييم هياكل مختلفة للتعلم العميق لتصنيف الآفات الجلدية، مع التركيز على كل من النماذج المدربة مسبقًا (ResNet152V2، EfficientNetV2B0، InceptionResNetV2، وMobileNetV3) ونموذج CNN مصمم خصيصًا (FCDS-CNN). قدمت النماذج المدربة مسبقًا مجموعة من خصائص الأداء، حيث حققت ResNet152V2 دقة عالية ولكنها تتطلب موارد حسابية كبيرة، بينما أكدت EfficientNetV2B0 وMobileNetV3 على الكفاءة. تفوقت InceptionResNetV2 في استخراج الميزات ولكن لم يتم تحسينها بشكل خاص للصور الجلدية. تم تطوير FCDS-CNN لتعزيز الدقة مع بنية أبسط مصممة للكشف عن سرطان الجلد، مما يظهر مقاييس أداء متفوقة، بما في ذلك الدقة والاسترجاع وF1-score وAUC، خاصة في تمييز أنواع الآفات المرتبطة عن كثب.
استخدمت الإعدادات التجريبية جهاز كمبيوتر محمول Dell XPS 13 للتطوير وGoogle Colab للتدريب، مع استخدام معلمات هايبر ثابتة عبر النماذج لضمان مقارنات عادلة. تم تدريب نموذج FCDS-CNN لمدة 40 دورة، مما أدى إلى تحسين كبير في الدقة إلى 96%، بينما كانت النماذج المدربة مسبقًا محدودة بـ 30 دورة بسبب الإفراط في التكيف. أظهرت تحليلات الأداء أن FCDS-CNN تفوقت على النماذج المدربة مسبقًا في التعامل مع عدم التوازن في الفئات وتصنيف الآفات النادرة بدقة عالية (0.96) واسترجاع (0.96) وF1-score (0.96) وAUC (0.97). تؤكد النتائج على مزايا بنية محددة للمهام في التصوير الطبي، مما يشير إلى أنه بينما توفر النماذج المدربة مسبقًا أساسًا قويًا، يمكن للنماذج المخصصة مثل FCDS-CNN أن تعالج بشكل أفضل التحديات الفريدة للتطبيقات المتخصصة مثل تشخيص سرطان الجلد.
المناقشة
تتناول الأبحاث المقدمة في هذه الورقة التحديات المتعلقة بكشف سرطان الجلد من خلال اعتماد نهج مزدوج يجمع بين أربعة نماذج مدربة مسبقًا وشبكة عصبية تلافيفية جديدة (CNN) طورها المؤلفون، تُسمى FCDS-CNN. تهدف هذه المنهجية إلى تصحيح المشكلات التي تم تحديدها في الدراسات السابقة، مثل عدم توازن البيانات وتنوع الفئات، من خلال الاستفادة من مجموعة بيانات عالية الجودة من Kaggle وتنفيذ تقنيات متقدمة لزيادة البيانات. تؤكد الدراسة على أهمية تعزيز دقة التشخيص وسرعته، بهدف دعم أطباء الجلد في إجراء تشخيصات دقيقة وفي الوقت المناسب، مما يحسن نتائج المرضى.
تشمل المساهمات الرئيسية لهذه الأبحاث تقييمًا شاملاً للنماذج المدربة مسبقًا مقابل FCDS-CNN، ومعالجة تحول البيانات وتنوعها من خلال استراتيجيات زيادة متطورة، وضمان قابلية تطبيق النموذج في البيئات السريرية الواقعية. يبرز المؤلفون أهمية التعلم الانتقالي وطرق التجميع في تحقيق أداء متقدم في تصنيف سرطان الجلد. علاوة على ذلك، تؤكد الدراسة على ضرورة الشفافية في نماذج التعلم العميق لتعزيز الثقة في التطبيقات السريرية وتناقش آثار نشر هذه النماذج ضمن الأطر الصحية الحالية. بشكل عام، يمثل هذا العمل تقدمًا كبيرًا في مجال الكشف الآلي عن سرطان الجلد، مع هدف سد الفجوة بين الأساليب التشخيصية التقليدية وتقنيات التعلم الآلي الحديثة.
القيود
تسلط القيود المفروضة على الأبحاث الحالية في تقييم سرطان الجلد الضوء على التحديات الكبيرة الناجمة عن كل من العوامل التكنولوجية والمنهجية. تاريخيًا، اعتمد التشخيص بشكل كبير على الفحوصات البدنية لأطباء الجلد والتنظير الجلدي، ولكن التطورات في تقنيات التصوير، مثل التصوير التنظيري والتصوير المجهري التداخلي، قد حسنت من قدرات التشخيص. على الرغم من هذه التطورات، لا تزال هناك فجوات ملحوظة، خاصة فيما يتعلق بعدم توازن البيانات عبر مجموعات البيانات، مما يعقد تدريب النماذج على أنواع الآفات النادرة. كما أن التباين العالي داخل الفئة يعقد عملية التعلم، حيث يمكن أن تعيق التباينات الكبيرة في المظاهر داخل أنواع الآفات التصنيف الدقيق.
علاوة على ذلك، غالبًا ما تفشل الأبحاث الحالية في تحسين كل من الاسترجاع والدقة في الوقت نفسه، خاصة في سياق توزيع الفئات المنحرفة. إن ندرة البيانات المعلّمة للآفات غير النمطية تزيد من خطر الإفراط في التكيف وتحد من قابلية نقل النماذج. كما أن التباينات في جودة الصور بسبب تقنيات وظروف التصوير المختلفة تقدم تحديات إضافية، مما يبرز الحاجة إلى نماذج قوية وقابلة للتكيف لتشخيص موثوق لسرطان الجلد. إن معالجة قضايا التنسيق، وقابلية توسيع النماذج، ودمج عدة أنماط تصوير أمر ضروري لتقدم هذا المجال واستغلال الإمكانيات الكاملة لهذه التقنيات في تقديم الرعاية الصحية.
DOI: https://doi.org/10.1038/s41598-025-91446-6
PMID: https://pubmed.ncbi.nlm.nih.gov/40021731
Publication Date: 2025-03-01
Author(s): Khadija Nawaz et al.
Primary Topic: Cutaneous Melanoma Detection and Management
Overview
The research addresses the challenges of early detection and diagnosis of skin malignant melanoma, a tumor characterized by low incidence yet high mortality rates. Traditional machine learning approaches for classifying melanoma tumors have proven inadequate due to their inability to extract nuanced features from skin lesions, which is critical for accurate diagnosis. To overcome these limitations, the study introduces a novel deep learning architecture, FCDS-CNN, which enhances the melanoma dataset through data augmentation and class weighting techniques to address class imbalance. The model was trained on a dataset of 10,015 images across seven classes of skin lesions and achieved an impressive average accuracy of 96%, surpassing several pre-trained models, including InceptionResNetV2 (93%), ResNet152V2 (91%), MobileNetV3 (90%), and EfficientNetV2B0 (88%).
The findings underscore the effectiveness of the FCDS-CNN model in extracting relevant features from skin lesions while managing challenges such as class imbalance and varying image quality. By systematically comparing five deep learning models, including four pre-trained architectures and the FCDS-CNN developed from scratch, the study demonstrates that the proposed model significantly outperforms its counterparts in precision, recall, F1-score, and area under the curve metrics. This research highlights the potential of the FCDS-CNN model as a specialized tool for early skin cancer detection, offering a more tailored solution for clinical practice that could improve diagnostic accuracy and ultimately enhance patient outcomes in melanoma treatment.
Methods
In this study, various deep learning architectures were evaluated for skin lesion classification, focusing on both pre-trained models (ResNet152V2, EfficientNetV2B0, InceptionResNetV2, and MobileNetV3) and a custom-designed CNN (FCDS-CNN). The pre-trained models provided a range of performance characteristics, with ResNet152V2 achieving high accuracy but requiring significant computational resources, while EfficientNetV2B0 and MobileNetV3 emphasized efficiency. InceptionResNetV2 excelled in feature extraction but was not specifically optimized for dermoscopic images. The FCDS-CNN was developed to enhance accuracy with a simpler architecture tailored for skin cancer detection, demonstrating superior performance metrics, including precision, recall, F1-score, and AUC, particularly in distinguishing closely related lesion types.
The experimental setup utilized a Dell XPS 13 laptop for development and Google Colab for training, employing consistent hyperparameters across models to ensure fair comparisons. The FCDS-CNN model was trained for 40 epochs, resulting in a significant accuracy improvement to 96%, while the pre-trained models were limited to 30 epochs due to overfitting. Performance analysis indicated that the FCDS-CNN outperformed pre-trained models in handling class imbalance and accurately classifying rare lesions, achieving high precision (0.96), recall (0.96), F1-score (0.96), and AUC (0.97). The findings underscore the advantages of a task-specific architecture in medical imaging, suggesting that while pre-trained models provide a strong foundation, custom models like FCDS-CNN can better address the unique challenges of specialized applications such as skin cancer diagnosis.
Discussion
The research presented in this paper addresses the challenges of skin cancer detection by employing a dual approach that combines four pretrained models with a novel convolutional neural network (CNN) developed by the authors, termed FCDS-CNN. This methodology aims to rectify issues identified in previous studies, such as data imbalance and class variability, by leveraging a high-quality dataset from Kaggle and implementing advanced data augmentation techniques. The study emphasizes the importance of enhancing diagnostic accuracy and speed, ultimately aiming to support dermatologists in making timely and precise diagnoses, thereby improving patient outcomes.
Key contributions of this research include a comprehensive evaluation of the pretrained models against the FCDS-CNN, addressing data shift and variability through sophisticated augmentation strategies, and ensuring the model’s applicability in real-world clinical settings. The authors highlight the significance of transfer learning and ensemble methods in achieving state-of-the-art performance in skin cancer classification. Furthermore, the study underscores the necessity of explainability in deep learning models to foster trust in clinical applications and discusses the implications of deploying these models within existing healthcare frameworks. Overall, this work represents a significant advancement in the field of automated skin cancer detection, aiming to bridge the gap between traditional diagnostic methods and modern machine learning techniques.
Limitations
The limitations of current research in skin cancer assessment highlight significant challenges stemming from both technological and methodological factors. Historically, the diagnosis relied heavily on dermatologists’ physical examinations and dermatoscopy, but advancements in imaging technologies, such as dermoscopic imaging and confocal microscopy, have improved diagnostic capabilities. Despite these advancements, notable gaps remain, particularly concerning data imbalance across datasets, which complicates the training of models for rare lesion types. High intra-class variance further complicates the learning process, as significant variability in appearances within lesion types can hinder accurate classification.
Moreover, existing research often fails to optimize both recall and precision simultaneously, especially in the context of skewed class distributions. The scarcity of labeled data for atypical lesions exacerbates the risk of overfitting and limits the models’ transferability. Variations in image quality due to differing imaging techniques and conditions present additional challenges, underscoring the need for robust and adaptable models for reliable skin cancer diagnosis. Addressing issues of harmonization, model scalability, and the integration of multiple imaging modalities is essential for advancing the field and fully leveraging the potential of these technologies in healthcare delivery.