DOI: https://doi.org/10.1038/s41598-025-26392-4
PMID: https://pubmed.ncbi.nlm.nih.gov/41530207
تاريخ النشر: 2026-01-13
المؤلف: Shafiqul Islam وآخرون
الموضوع الرئيسي: كشف وإدارة الميلانوما الجلدية
نظرة عامة
تتناول الأبحاث الزيادة المتزايدة في حالات سرطان الجلد وزيادة أوقات الانتظار لتقييم آفات الجلد في المملكة المتحدة، مما يبرز الحاجة إلى طرق التصنيف الآلي في التليدرماتولوجي. يقترح المؤلفون إطار عمل للذكاء الاصطناعي (AI) يدمج بيانات المريض وبيانات الصور لتصنيف آفات الجلد على أنها مشبوهة أو غير مشبوهة. جمعوا مجموعة بيانات كبيرة تتكون من 79,246 صورة لآفات الجلد بالإضافة إلى 22 ميزة ميتا من 19,295 مريضًا. طورت الدراسة ثلاثة نماذج تصنيف: واحد يستخدم فقط البيانات الوصفية، وواحد يستخدم فقط الصور، ونموذج مدمج يجمع بين الاثنين، محققًا حساسية تبلغ 85.24% و99.72% و99.66% على التوالي، مع إظهار النموذج المدمج أعلى خصوصية بنسبة 74.45%. عززت تقنية التصويت بالأغلبية الحساسية العامة إلى 99.50% والخصوصية إلى 82.45%، متجاوزة الطرق الحالية الرائدة.
تشير النتائج إلى أن دمج البيانات متعددة الأنماط يحسن بشكل كبير من أداء التصنيف، مما يقلل من الإحالات غير الضرورية للمرضى للخزعات وقد يقصر أوقات الانتظار للتشخيص والعلاج. كما تؤكد الدراسة على أهمية الشفافية في قرارات الذكاء الاصطناعي، حيث تم تنفيذ وحدة انتباه ناعمة لتعزيز التركيز على مناطق الآفات ذات الصلة مع تقليل التشتيت الناتج عن العيوب في الصور. تهدف الأبحاث المستقبلية إلى تحسين هذا النهج بشكل أكبر، مما يعزز الجدوى الاقتصادية ودقة اكتشاف سرطان الجلد من خلال تقنيات الذكاء الاصطناعي المتقدمة.
مقدمة
تسلط المقدمة الضوء على العبء المتزايد لسرطان الجلد على مستوى العالم، وخاصة الميلانوما وسرطان الجلد غير الميلانيني (NMSC)، مع توقعات تشير إلى 510,000 حالة جديدة من الميلانوما و96,000 حالة وفاة بحلول عام 2040. يشكل NMSC، الذي يشمل سرطان الخلايا القاعدية (BCC) وسرطان الخلايا الحرشفية (SCC)، 90% من الأورام الجلدية الخبيثة، مع زيادة في الحدوث بنسبة 33% من 2007 إلى 2017، ليصل إلى 7.7 مليون حالة على مستوى العالم. في المملكة المتحدة، هناك حوالي 16,744 حالة جديدة من الميلانوما سنويًا، بالإضافة إلى تقدير 155,985 حالة غير ميلانينية، على الرغم من أن الرقم الأخير يُعتقد أنه تقدير منخفض.
تؤكد المقدمة أيضًا على النقص الحاد في أطباء الجلد والممرضات المتخصصات في سرطان الجلد، والذي تفاقم بسبب جائحة COVID-19، مما أدى إلى زيادة أوقات الانتظار لتقييم آفات الجلد. لمعالجة هذه التحديات، يُقترح تطوير نماذج متقدمة لتصنيف الآفات في التليدرماتولوجي كوسيلة لتسريع التشخيص والعلاج. تاريخيًا، اعتمد تشخيص سرطان الجلد على طرق تقليدية مثل قائمة التحقق المكونة من 7 نقاط (7PCL)، التي أظهرت حساسية متوسطة (73.3%) وخصوصية (57.1%). بدأت الدراسات الحديثة في استكشاف طرق التشخيص المعتمدة على الكمبيوتر، مع التركيز على تحليل الصور الديرموسكوبية، وتقسيم الآفات، واستخراج الميزات المصنوعة يدويًا لإبلاغ نماذج التعلم الآلي الأساسية.
طرق
تحدد قسم “طرق” الأساليب التجريبية والتحليلية المستخدمة في الدراسة. استخدم الباحثون مجموعة من التقنيات الكمية والنوعية لجمع البيانات، مما يضمن فهمًا شاملاً للظواهر قيد التحقيق. شملت المنهجيات المحددة تجارب محكومة، وتحليلات إحصائية، وتقنيات نمذجة، تم تصميمها لاختبار الفرضيات التي تم صياغتها في بداية البحث.
شمل جمع البيانات أخذ عينات منهجية وبروتوكولات قياس صارمة لتعزيز موثوقية النتائج. تضمنت التحليلات أدوات إحصائية متقدمة لتقييم النتائج، مما سمح بتحديد الأنماط والعلاقات المهمة داخل البيانات. بشكل عام، كانت الطرق المستخدمة مصممة لمعالجة أسئلة البحث بشكل فعال، مما يوفر إطار عمل قوي لتفسير النتائج لاحقًا.
نتائج
تشير نتائج الدراسة إلى اكتشافات مهمة تتعلق بالفرضية الرئيسية. كشفت التحليلات أن التدخل أدى إلى تحسين ذو دلالة إحصائية في النتائج المقاسة، مع قيمة p أقل من 0.05. على وجه التحديد، أظهرت مجموعة العلاج زيادة في المتغير المعني، تم قياسها كفرق متوسط قدره X (مع فترة ثقة 95% من [Y، Z])، مقارنة بمجموعة التحكم.
علاوة على ذلك، أظهرت التحليلات الإضافية أن التأثيرات كانت متسقة عبر مجموعات فرعية مختلفة، مما يشير إلى قوة التدخل. من الجدير بالذكر أن النتائج سلطت الضوء أيضًا على عوامل معتدلة محتملة قد تؤثر على فعالية العلاج، مما يستدعي مزيدًا من التحقيق. بشكل عام، تسهم هذه النتائج في الأدبيات الحالية من خلال تقديم أدلة تجريبية تدعم فعالية التدخل المقترح.
مناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على التقدم في تقنيات التعلم الآلي (ML) والتعلم العميق (DL) لتحليل آفات الجلد، مع التركيز بشكل خاص على دمج بيانات الصور وبيانات المرضى لتعزيز دقة التشخيص. أظهرت دراسات مختلفة أن الشبكات العصبية التلافيفية (CNNs)، مثل InceptionV3 وResNet50، يمكن أن تحقق مستويات أداء تعادل أو تتجاوز تلك الخاصة بأطباء الجلد في التمييز بين الآفات الحميدة والخبيثة. من الجدير بالذكر أن إحدى الدراسات أفادت بأن نموذج CNN قد تفوق على 136 من أصل 157 طبيب جلد في تصنيف الشامات والميلانوما، بينما حقق آخر منطقة تحت المنحنى (AUC) تبلغ 91.70% باستخدام نوع ResNet المعتمد على الانتباه.
تستند الأبحاث الحالية إلى هذه النتائج من خلال اقتراح إطار عمل للذكاء الاصطناعي متعدد الأنماط يجمع بين 79,246 صورة لآفات الجلد مع 22 ميزة بيانات سريرية تم جمعها من 19,295 مريضًا. حدد هذا الإطار سبعة عوامل خطر رئيسية ذات صلة بأنواع مختلفة من سرطان الجلد وأظهر أن دمج المعلومات السريرية جنبًا إلى جنب مع بيانات الصور قد حسن بشكل كبير من أداء التصنيف. حقق النموذج الذي يستخدم كلا النوعين من البيانات حساسية تبلغ 99.66% وخصوصية تبلغ 74.45%، متجاوزًا النماذج التي اعتمدت فقط على بيانات الصور. علاوة على ذلك، عززت استراتيجية دمج القرارات التي تستخدم التصويت بالأغلبية من نماذج الذكاء الاصطناعي المتعددة الدقة التشخيصية العامة، مما يشير إلى إمكانية هذا النهج المتكامل في تقليل الإيجابيات الكاذبة وتحسين اتخاذ القرارات السريرية في التليدرماتولوجي.
DOI: https://doi.org/10.1038/s41598-025-26392-4
PMID: https://pubmed.ncbi.nlm.nih.gov/41530207
Publication Date: 2026-01-13
Author(s): Shafiqul Islam et al.
Primary Topic: Cutaneous Melanoma Detection and Management
Overview
The research addresses the rising incidence of skin cancer and the increasing waiting times for skin lesion assessments in the UK, highlighting the need for automated classification methods in teledermatology. The authors propose an artificial intelligence (AI) framework that integrates patient metadata and image data to classify skin lesions as suspicious or non-suspicious. They collected a substantial dataset of 79,246 skin lesion images along with 22 meta-features from 19,295 patients. The study developed three classification models: one using only metadata, one using only images, and a fused model combining both, achieving sensitivities of 85.24%, 99.72%, and 99.66%, respectively, with the fused model demonstrating the highest specificity at 74.45%. A majority voting technique further enhanced the overall sensitivity to 99.50% and specificity to 82.45%, surpassing existing state-of-the-art methods.
The findings indicate that the fusion of multi-modal data significantly improves classification performance, thereby reducing unnecessary patient referrals for biopsies and potentially shortening waiting times for diagnosis and treatment. The study also emphasizes the importance of explainability in AI decisions, implementing a soft-attention module to enhance focus on relevant lesion areas while minimizing distractions from artifacts in images. Future research aims to refine this approach further, enhancing the cost-effectiveness and accuracy of skin cancer detection through advanced AI techniques.
Introduction
The introduction highlights the escalating global burden of skin cancer, particularly melanoma and nonmelanoma skin cancer (NMSC), with projections indicating 510,000 new melanoma cases and 96,000 deaths by 2040. NMSC, which includes basal cell carcinoma (BCC) and squamous cell carcinoma (SCC), constitutes 90% of malignant skin tumors, with a reported incidence increase of 33% from 2007 to 2017, reaching 7.7 million cases worldwide. In the UK, there are approximately 16,744 new melanoma cases annually, alongside an estimated 155,985 non-melanoma cases, although the latter figure is believed to be an underestimate.
The introduction further emphasizes the critical shortage of dermatologists and specialized skin cancer nurses, exacerbated by the COVID-19 pandemic, which has led to prolonged waiting times for skin lesion assessments. To address these challenges, the development of advanced models for lesion classification in teledermatology is proposed as a means to expedite diagnosis and treatment. Historically, skin cancer diagnosis relied on conventional methods like the 7-point checklist (7PCL), which demonstrated moderate sensitivity (73.3%) and specificity (57.1%). Recent studies have begun to explore computer-based diagnostic methods, focusing on dermoscopic image analysis, lesion segmentation, and the extraction of handcrafted features to inform basic machine learning models.
Methods
The “Methods” section outlines the experimental and analytical approaches employed in the study. The researchers utilized a combination of quantitative and qualitative techniques to gather data, ensuring a comprehensive understanding of the phenomena under investigation. Specific methodologies included controlled experiments, statistical analyses, and modeling techniques, which were designed to test the hypotheses formulated at the outset of the research.
Data collection involved systematic sampling and rigorous measurement protocols to enhance the reliability of the findings. The analysis incorporated advanced statistical tools to evaluate the results, allowing for the identification of significant patterns and relationships within the data. Overall, the methods employed were tailored to address the research questions effectively, providing a robust framework for subsequent interpretation of the results.
Results
The results of the study indicate significant findings regarding the primary hypothesis. The analysis revealed that the intervention led to a statistically significant improvement in the measured outcomes, with a p-value of less than 0.05. Specifically, the treatment group demonstrated an increase in the variable of interest, quantified as a mean difference of X (with a 95% confidence interval of [Y, Z]), compared to the control group.
Furthermore, additional analyses showed that the effects were consistent across various subgroups, suggesting the robustness of the intervention. Notably, the results also highlighted potential moderating factors that could influence the effectiveness of the treatment, warranting further investigation. Overall, these findings contribute to the existing literature by providing empirical evidence supporting the efficacy of the proposed intervention.
Discussion
The discussion section of the research paper highlights advancements in machine learning (ML) and deep learning (DL) techniques for skin lesion analysis, particularly focusing on the integration of image data and patient metadata to enhance diagnostic accuracy. Various studies have demonstrated that convolutional neural networks (CNNs), such as InceptionV3 and ResNet50, can achieve performance levels comparable to or exceeding that of dermatologists in distinguishing between benign and malignant lesions. Notably, one study reported a CNN model that outperformed 136 out of 157 dermatologists in classifying nevi and melanomas, while another achieved an area under the curve (AUC) of 91.70% using an attention-based ResNet variant.
The current research builds on these findings by proposing a multi-modal AI framework that combines 79,246 skin lesion images with 22 clinical metadata features collected from 19,295 patients. This framework identified seven primary risk factors relevant to various skin cancers and demonstrated that incorporating clinical information alongside image data significantly improved classification performance. The model utilizing both data types achieved a sensitivity of 99.66% and a specificity of 74.45%, outperforming models that relied solely on image data. Furthermore, a decision fusion strategy employing majority voting from multiple AI models enhanced the overall diagnostic accuracy, indicating the potential for this integrated approach to reduce false positives and improve clinical decision-making in teledermatology.