سرطان پوست یکی از شایع‌ترین انواع سرطان در جهان است که تشخیص زودهنگام آن نقش حیاتی در افزایش نرخ بقاء بیماران دارد. با توجه به پیشرفت‌های اخیر در حوزه یادگیری عمیق، استفاده از مدل‌های هوشمند برای تشخیص خودکار ضایعات پوستی مورد توجه گسترده قرار گرفته است. پژوهش حاضر با هدف ایجاد مدلی جهت تشخیص سرطان پوست از لحاظ خوش خیمی و بدخیمی و طراحی مدلی دقیق، قابل تعمیم و قابل استفاده در محیط‌های بالینی انجام شده است. مطالعه در دو مرحله اصلی صورت گرفت: در مرحله نخست، یک مروردامنه بر ۱۲ مقاله معتبر انجام شد تا روندهای پژوهشی، نوع داده‌ها، معماری‌های رایج و چالش‌های موجود شناسایی شود. یافته‌ها نشان دادند که اغلب مطالعات بر طبقه‌بندی دوکلاسه بین ضایعات خوش‌خیم و بدخیم تمرکز داشته‌اند و معماری‌های CNN و ResNet رایج‌ترین ساختارهای مورد استفاده بوده‌اند. همچنین، چالش‌هایی مانند سوگیری نژادی، کمبود داده‌های بالینی واقعی و ضعف در تبیین‌پذیری مدل‌ها به‌عنوان موانع اصلی در پذیرش بالینی این فناوری‌ها شناسایی شدند. در مرحله دوم، یک مدل دوشاخه‌ای مبتنی بر یادگیری عمیق طراحی شد که به‌طور هم‌زمان داده‌های تصویری درماتوسکوپی و داده‌های ساختاریافته بالینی بیماران را پردازش می‌کرد. شاخه تصویری از ترکیب EfficientNet-B3 و Vision Transformer و شاخه بالینی از شبکه پرسپترون چندلایه (MLP) بهره گرفت. مدل پیشنهادی با استفاده از داده‌های واقعی بیماران ایرانی آموزش داده شد و با معیارهای معتبر یادگیری ماشین ارزیابی گردید. نتایج نشان داد که مدل در طبقه‌بندی ضایعات خوش‌خیم و بدخیم عملکردی برتر نسبت به مدل‌های مرجع داشته و به دقت ۹۴.۷٪، حساسیت ۹۳.۸٪، ویژگی ۹۵.۲٪، امتیاز F1 برابر با ۹۳.۹٪ و شاخص AUC برابر با ۰.۹۷ دست یافته است. مدل یادگیری عمیق دوشاخه‌ای ارائه شده در این پژوهش، با تلفیق همزمان داده‌های تصویری و بالینی، توانست دقت و قابلیت تعمیم‌ پذیری بالاتری نسبت به مدل‌های مرجع مشابه ارائه دهد و عملکرد پایدار و قابل اعتمادی در محیط‌ های بالینی واقعی از خود نشان دهد. این رویکرد چندمنبعی، گامی مؤثر در جهت توسعه ابزارهای هوشمند پشتیبان تصمیم‌ برای تشخیص سریعتر سرطان پوست و ارتقای کیفیت مراقبت‌های بالینی به شمار می‌آید.

واژگان کلیدی:  مدل تشخیصی، سرطان پوست، یادگیری عمیق، هوش مصنوعی