Key points are not available for this paper at this time.
يعد سرطان الجلد النوع الأكثر شيوعًا من السرطان في جميع أنحاء العالم، حيث يؤثر على عدد كبير من السكان في الآونة الأخيرة. حتى الآن، تم تطبيق تقنيات تعلم الآلة المختلفة التي تستغل صور الجلد مباشرة على تصنيف سرطان الجلد، مما يُظهر نتائج واعدة في تحسين دقة التشخيص. يهدف هذه الدراسة إلى تطوير نموذج قائم على تعلم الآلة قادر على تصنيف سرطان الجلد بدقة من خلال الاستفادة من الميزات المستخرجة من الصور المُعالجة مسبقاً في مجموعة بيانات PH² المتاحة للجمهور. ومن المعروف أن الميزات المُعالجة مسبقًا تقدم معلومات أكثر أهمية من بيانات الصورة الخام، حيث تلتقط خصائص معينة من الصور ذات الصلة بمهمة التصنيف. يمكن للنموذج المقترح في هذه الدراسة تحديد المعلومات الأكثر صلة في الصور بدقة أكبر، وبالتالي تحسين الأداء وقدرة النموذج على التفسير في تصنيف تعلم الآلة. توضح نتائج المحاكاة لدينا أن استخدام XG-boost ينتج دقة بنسبة 94٪ وقيمة منطقة تحت المنحنى قدرها 0.9947، مما يشير بشكل أكبر إلى أن التقنية المقترحة تميز بفعالية بين سرطان الجلد غير الميلانيني وسرطان الميلانوما. يوفر الذكاء الاصطناعي القابل للتفسير بعض التفسيرات من خلال الاستفادة من طرق غير مرتبطة بالنموذج مثل رسم الاعتماد الجزئي، وأهمية التباديل، وSHAP. علاوة على ذلك، تُظهر نتائج الذكاء الاصطناعي القابل للتفسير أن خصائص عدم التناسق وخصائص شبكة الصبغة هي الأهم في تصنيف سرطان الجلد. تظهر هذه الخصائص المحددة كأكثر العوامل تأثيرًا في تمييز أنواع مختلفة من سرطان الجلد.
درس خضر وآخرون (Sun) هذا السؤال.