اگه یه خال روی پوستت دیدی که ظاهرش مشکوکه، حتماً نگرانی سراغت میاد. ملانوما یا همون سرطان پوست از نوع بدترین و کشنده‌ترین سرطان‌هاست و بدی ماجرا اینه که خیلی وقت‌ها، تو مراحل اولیه ممکنه درست مثل خال‌های بی‌خطر (یا به قول دکترا، «nevi») به نظر بیاد. یعنی اگه یکی صرفاً با نگاه یا دستگاه درموسکوپ (یه نوع میکروسکوپ مخصوص بررسی پوست) بخواد تفاوت این دوتا رو تشخیص بده، معمولاً کلی اشتباه پیش میاد و ممکنه خال‌های سالم رو اشتباهی به‌خاطر شک به سرطان، بیخود و بی‌جهت نمونه‌برداری کنن یا حتی متوجه خطر واقعی نشن! خب این اصلاً خوب نیست.
توی این مقاله، کلی محقق چینی دست به کار شدن و اومدن واسه مردم شرق آسیا (به‌خصوص بیماران چینی) یه راه جدید پیدا کردن که تقریباً میشه گفت معادلات رو به هم زده! اسم استراتژیشون اینه: «اول خال بی‌خطر رو جدا کن، بعد برو سراغ رد کردن بدخیمی». یعنی چی؟ یعنی اول می‌گردن خال‌هایی که واقعاً همه مشخصات خال بی‌خطر رو دارن جدا می‌کنن و میگن این‌ها کم‌خطرن. هر چی غیر از این باشه رو می‌ذارن تو دسته پُرریسک، یعنی همون‌هایی که باید بیشتر روشون حساس شد.
حالا جالب‌تر اینه که اینا برای این تشخیص کردن، از مدل هوش مصنوعی YOLOv10 استفاده کردن. اگه اسمش واست عجیب اومده، YOLO در واقع اسم یه مدل معروفه تو هوش مصنوعی که مخصوص شناسایی اشیاء تو عکس‌هاست و خیلی هم سریع و باحال کار می‌کنه. تو این کار، چند تا نوآوری بامزه بهش اضافه کردن:
۱. PP-LCNet: یک مدل عصبی سبک که می‌تونه حتی بافت‌های زیر ۳ میلی‌متر رو هم کاملاً دقیق حفظ کنه. یعنی جزئیات ریز خال‌ها از دست نمی‌ره!
۲. Multiscale Contextual Attention یا همون MCA: این بخش کمک می‌کنه اطلاعات توی عکس از اندازه‌ها و مقیاس‌های مختلف قاطی هم بشه و مدل راحت‌تر تفاوت‌های ریز رو تشخیص بده. (یکی از مشکلات مهم تو تصاویر پوست این بود که خال و بقیه بافت پوست ممکنه توی مقیاس و شکل فرق کنن.)
۳. Shape-IoU loss: یه جور معیار برای این‌که مدل فقط جای خال رو درست نشونه نگیره، بلکه اندازه، شکل و انحنای دور خال رو هم به مفهوم یاد بگیره و حساب کنه. الحاق این ویژگی باعث میشه تشخیص کلی و مطمئن‌تر بشه.
بعد این مدل رو برداشتن، روی کلی عکس واقعی از سه تا بیمارستان بزرگ تو چین تمرینش دادن، اونم با دیتاستی شامل ۲۰۴۰ تا تصویر خال سالم (همونی که بدون دغدغه حذفش کردن!) و ۳۶۵ تا ملانوما که با نمونه‌برداری (یا همون بیوپسی) مطمئن شدن واقعاً خطرناکه. تازه جالب اینجاست که اون ملانوماها رو از گروه جمعیتی متفاوت گرفتن—یعنی مدل نشون بده واقعاً سراسری جواب می‌ده، نه فقط محدود به یه منطقه خاص.
نتیجه‌ها؟ عالی بودن. واسه شناسایی خال‌های سالم، دقت مدل (یا همون mAP@0.5 که یه معیار جذاب برای سنجش دقت تو شناسایی تصویریه)، به عدد فوق‌العاده ۹۷.۶۹٪ رسید! از اون طرف، مدل فقط ۰.۲۷٪ ملانوما رو اشتباهی سالم تشخیص داد (که بهش میگن false negative rate یا نرخ منفی کاذب). اگه بدونی که تو پزشکی معمولاً مرز قابل قبول رو واسه «اشتباه کردن در تشخیص ملانوم» زیر نیم درصد (۰.۵٪) در نظر می‌گیرن، این عدد بی‌نظیر حساب میشه.
کاربرد جالب این الگوریتم اینه که دیگه لازم نیست واسه هر خال کوچیکی که دیدن سریع نمونه‌برداری کنن و استرس به بیمار وارد کنن. اول با بالاترین اطمینان خال‌های سالم رو تشخیص میدن و فقط اون‌هایی که شک‌برانگیزه واقعاً میرن زیر ذره‌بین. این یعنی تا حد زیادی نمونه‌برداری‌های اضافی حذف میشه، بیمار خیالش راحت‌تره و از طرف دیگه، احتمال نادیده گرفتن یه ملانوم خطرناک هم خیلی پایین میاد. خلاصه، شانس شناسایی زودهنگام سرطان پوست خیلی بیشتره، هزینه و استرس بیماران میاد پایین و همه راضی.
در کل، اگه بخوای خلاصه کنم: ترکیب YOLOv10 با این ویژگی‌ها، رویکرد «اول سالم‌ها رو جدا کن»، و آزمون روی دیتای واقعی باعث شده یه مسیر پر دقت، کم‌ریسک و خیلی امن برای غربالگری زودهنگام سرطان پوست تو چین شکل بگیره. واقعاً به درد دکترها و بیماران چینی می‌خوره و شاید در آینده برای بقیه کشورها هم الهام‌بخش باشه!
منبع: +
