موسسه آموزش عالی آپادانا فصلنامه پژوهش های نوین در شهرهوشمند 2980-8936 4 1 2025 12 16 Intelligent Skin Cancer Detection Using a Multispectral Metasurface and a Hybrid Deep Learning Architecture Based on CNN–ViT تشخیص هوشمند سرطان پوست با استفاده از فراسطح چندطیفی و معماری هیبریدی یادگیری عمیق مبتنی بر CNN–ViT 34 49 10.22051/jera.2021.31891.2698 FA افسانه دکتری تخصصی رشته برق، مخابرات، باشگاه پژوهشگران جوان و نخبگان، دانشگاه آزاد اسلامی، واحد ارومیه، ارومیه، ایران 2025 11 15 Skin cancer is among the most prevalent malignancies worldwide, and its early detection is essential for improving patient survival and reducing treatment costs. Conventional dermoscopic and visual imaging techniques are primarily limited to the visible spectrum and often fail to capture subtle spectral signatures associated with early-stage malignancies. This study proposes an innovative framework that integrates a multispectral metasurface for imaging with a hybrid deep learning architecture based on Convolutional Neural Networks (CNNs) and Vision Transformers (ViTs). The designed metasurface enables noninvasive acquisition of rich spectral information highly sensitive to tissue alterations, while the hybrid CNN–ViT model simultaneously extracts local and global features to robustly classify skin lesions. Simulation-based evaluations demonstrate that the proposed method achieves approximately 98% accuracy, 95% sensitivity, and 99% specificity—surpassing conventional RGB-based and single-architecture approaches. Qualitative analyses using attention maps reveal that the model focuses on clinically relevant lesion regions, improving interpretability. Overall, the results indicate that combining metasurface-based multispectral imaging with hybrid deep learning can introduce a new generation of diagnostic tools in dermatology and pave the way for portable, fast, and highly accurate clinical systems. 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. /downloadfilepdf/894006