A Multi-Criteria Benchmarking Framework for Deep Learning Models in Medical Image Classification Toward Reliable Cancer Diagnosis

يُعدّ الكشف المبكر والدقيق عن الأورام السرطانية أمرًا بالغ الأهمية لتحسين معدلات البقاء على قيد الحياة والحدّ من المضاعفات المرتبطة بالعلاج، لا سيما في ظلّ التعقيد البصري العالي للصور الطبية، حيث تكون الفروقات بين الأورام الحميدة والخبيثة دقيقة ومتداخلة في كثير من الأحيان. في هذا السياق، برزت تقنيات الذكاء الاصطناعي، وخاصة نماذج التعلّم العميق، كحلول متطورة أحدثت ثورة في تحليل الصور الطبية. فهي تُحسّن دقة التشخيص، وتقلل التباين الناتج عن الخطأ البشري، وتدعم اتخاذ القرارات الطبية المستنيرة استنادًا إلى تحليل منهجي للبيانات. على الرغم من التطورات الكبيرة في بنى نماذج التعلّم العميق، لا يزال تحديد النموذج الأكثر كفاءة للتطبيقات الطبية يُمثّل تحديًا بحثيًا معقدًا. ويعود ذلك إلى اختلاف أداء هذه النماذج وفقًا لمجموعة من معايير التقييم. فقد يحقق نموذجٌ ما دقة عالية ولكنه يُعاني من نقاط ضعف في مؤشرات أخرى، مثل الحساسية أو معامل F1. استجابةً لهذه المشكلة، يُقدّم هذا البحث دراسة مقارنة شاملة ومنهجية لعدد من نماذج التعلّم العميق المتطورة: ConvNeXt، وEfficientNet، وSwin Transformer، وVision Transformer (ViT)، وInceptionV3، وYOLO، وU-Net. تم تدريب هذه النماذج واختبارها ضمن بيئة تجريبية موحدة باستخدام بيانات طبية موحدة. وتم اعتماد مجموعة من معايير الأداء الرئيسية، بما في ذلك الدقة، والضبط، والاستدعاء/الحساسية، ومقياس F1، لتقديم تقييم شامل يعكس الأداء الفعلي للنماذج في التطبيقات الطبية. أظهرت النتائج التجريبية أن النموذج القائم على YOLO حقق أفضل أداء إجمالي بين جميع النماذج التي تم تقييمها، بدقة بلغت 91.66%، وضبط 91.74%، واستدعاء 91.66%، ومقياس F1 91.64%. في المقابل، سجلت النماذج الأخرى نتائج منخفضة إلى متوسطة. لذا، تُسهم هذه الدراسة في توفير إطار عمل عملي لاختيار النموذج الأنسب للاستخدام في البيئات الطبية، وتدعم تطوير أنظمة تشخيص ذكية تتميز بدقة وموثوقية عاليتين، وتتوافق مع متطلبات التطبيقات السريرية الحديثة.