سرطان پوست یکی از شایع‌ترین بدخیمی‌ها در سراسر جهان است و تشخیص زودهنگام آن نقش کلیدی در افزایش بقا و کاهش هزینه‌های درمانی دارد. روش‌های رایج تصویربرداری پوستی عمدتاً مبتنی بر تصاویر مرئی بوده و در بسیاری از موارد قادر به شناسایی ویژگی‌های پنهان طیفی در مراحل اولیه بیماری نیستند. در این پژوهش، یک چارچوب نوآورانه برای تشخیص خودکار سرطان پوست ارائه می‌شود که تلفیقی از یک فراسطح چندطیفی (متاسرفیس) جهت تصویربرداری و یک معماری یادگیری عمیق هیبریدی مبتنی بر شبکه عصبی پیچشی (CNN) و ترنسفورمر بینایی (ViT) است. فراسطح طراحی‌شده قادر است امضاهای طیفی حساس به تغییرات بافت را به‌صورت غیرتهاجمی و با دقت بالا ثبت کند. سپس داده‌های طیفی تولیدشده همراه با تصاویر مرئی، طی یک مدل هیبریدی پردازش شده و با استفاده از سازوکارهای توجه و استخراج ویژگی‌های محلی–جهانی، طبقه‌بندی ضایعات انجام می‌گیرد. نتایج ارزیابی شبیه‌سازی‌شده نشان می‌دهد که روش پیشنهادی توانسته به دقت حدود ۹۸ درصد، حساسیت ۹۵ درصد و ویژگی ۹۹ درصد دست یابد که نسبت به مدل‌های مرجع مبتنی بر تصاویر RGB یا معماری‌های تک‌لایه برتری قابل‌ملاحظه‌ای دارد. تحلیل‌های کیفی نیز حاکی از تمرکز مدل بر نواحی کلینیکی مهم و قابلیت تفسیرپذیری بالا است. مجموعه یافته‌ها نشان می‌دهد که ترکیب فراسطح چندطیفی و یادگیری عمیق هیبریدی می‌تواند به‌عنوان نسل جدید ابزارهای تشخیصی در پوست‌شناسی مطرح شود و مبنایی برای توسعه سیستم‌های قابل‌حمل، سریع و دقیق در کاربردهای بالینی آینده فراهم آورد.

: سرطان پوست فراسطح تصویربرداری چندطیفی یادگیری عمیق شبکه عصبی پیچشی ترنسفورمر بینایی تشخیص ضایعات پوستی