Multi-Class Classification of Skin Cancer Images Using a Deep Learning-Based Convolutional Neural Network (CNN)

Abstract

يُعَدّ سرطان الجلد من أكثر أنواع السرطانات انتشارًا وخطورةً، وينجم غالبًا عن تحوّل الخلايا الصبغية إثر التعرّض المفرط للأشعة فوق البنفسجية، ويُسهم التشخيص المبكر في رفع معدلات الشفاء بشكل ملحوظ وتقليل نسب الوفيات المرتبطة به. ومع ذلك، يواجه التشخيص البصري التقليدي تحدياتٍ في التمييز بين الفئات السبع الرئيسية للأمراض الجلدية نتيجة التشابه الظاهري وعدم توازن البيانات. تهدف هذه الدراسة إلى تطوير نموذج تشخيصي آلي يعتمد على شبكة عصبية تلافيفية Convolutional Neural Network (CNN) لتعزيز دقة التصنيف وتقليل الاعتماد على التقييم البشري؛ استخدمت الدراسة مجموعة بيانات HAM10000 (Human Against Machine with 10000 Training Images)، التي تضم 10,015 صورة موزعة على سبع فئات، مع معالجة عدم توازن العينات بتقنية التجاوز العشوائي للعينات Random Oversampling، ثم قُسّمت البيانات بنسبة 80% تدريب و20% اختبار، مع تخصيص 20% من بيانات التدريب للتحقق. صُمّم النموذج بتتابع من طبقات الالتفاف Conv2D والتجميع MaxPooling لاستخلاص السمات، ثم تسطيح المخرجات Flatten وربطها بطبقات كثيفة Dense للتصنيف النهائي، ودُرّب باستخدام محسّن Adam لضبط الأوزان بشكل تكيّفي ودالة الخسارة Categorical Crossentropy الملائمة للتصنيف متعدد الفئات؛ وقد حقق النموذج دقة إجمالية Accuracy بلغت 95.45%. كما أظهر تحليل الأداء باستخدام مؤشرات تقييم دقيقة مثل Precision، وRecall، وF1-Score تفوقًا ملحوظاً لمختلف الفئات، حيث تراوحت قيمةPrecision بين 84% و99%، وسُجّل متوسط مرجّح لكل من Precision وF1-Score بلغ 96%. تؤكد هذه النتائج الدور الطبي الهام للنموذج المقترح كأداة ذكية داعمة للأطباء، إذ يعزز التشخيص المبكر، ويقلل الأخطاء البشرية، ويسهم في تحسين جودة الرعاية الصحية.