📊 statistics

CopulaSMOTE: A Copula-Based Oversampling Approach for Imbalanced Classification in Diabetes Prediction

تقدم هذه الورقة البحثية CopulaSMOTE، وهي طريقة جديدة لزيادة العينات تستخدم كوبرات الكرمة المبتورة (truncated vine copulas) لنمذجة بنية الاعتماد المشترك للفئات الأقلية لتوليد عينات اصطناعية، مما يثبت فعاليتها في تحسين أداء التنبؤ بمرض السكري على مجموعات البيانات الأكبر وغير المتوازنة مقارنة بمتغيرات SMOTE القياسية.

المؤلفون الأصليون: Agnideep Aich, Md Monzur Murshed, Bruce Wade, Sameera Hewage

نُشر 2026-05-26

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Agnideep Aich, Md Monzur Murshed, Bruce Wade, Sameera Hewage

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك طبيب يحاول بناء برنامج حاسوبي يمكنه التنبؤ بمن سيصاب بمرض السكري. لديك كومة ضخمة من سجلات المرضى، ولكن هناك مشكلة: معظم هذه السجلات لأشخاص أصحاء، بينما يوجد عدد قليل جداً فقط من السجلات لأشخاص مصابين بالسكري بالفعل.

في عالم تعلم الآلة، يسمى هذا بيانات غير متوازنة (Imbalanced Dataset). الأمر يشبه محاولة تعليم طالب التعرف على طائر نادر ومهدد بالانقراض من خلال إظهار 1000 صورة لحمام و100 صورة فقط لذلك الطائر النادر. من المرجح أن يخمن الطالب كلمة "حمامة" في كل مرة لأن هذا هو ما رآه غالباً، وسوف يغفل عن الطائر النادر تماماً.

لإصلاح ذلك، يستخدم الباحثون عادةً حيلة تسمى SMOTE. فكر في SMOTE كآلة تصوير ضوئية تنظر إلى صور الطيور النادرة القليلة التي لديك، وتجد صورتين متشابهتين، ثم ترسم صورة جديدة في المنتصف تماماً بينهما. إنها تنشئ أمثلة "مزيفة" ولكنها تبدو واقعية لموازنة الكومة.

المشكلة في الحيلة القياسية
تجادل الورقة البحثية بأن SMOTE القياسي يعاني من خلل؛ فهو يعامل كل سمة (مثل سكر الدم، أو الوزن، أو العمر) كما لو كانت مستقلة. إنه لا يفهم أن هذه الأشياء مرتبطة ببعضها البعض. على سبيل المثال، في الحياة الواقعية، غالاً ما يترافق ارتفاع سكر الدم مع ارتفاع وزن الجسم. قد يؤدي SMOTE القياسي بالخطأ إلى إنشاء مريض "مزيف" لديه سكر دم مرتفع ولكن بوزن منخفض جداً، وهو أمر مستحيل بيولوجياً. إنه يشبه رسم طائر بمنقار ولكن بدون أجنحة، فقط لأنه يقع في منتصف المسافة بين طائرين آخرين.

الحل الجديد: CopulaSMOTE
يقدم المؤلفون طريقة جديدة تسمى CopulaSMOTE. بدلاً من مجرد رسم خطوط بين النقاط، تحاول هذه الطة فهم العلاقة بين المتغيرات أولاً.

إليك التشبيه الذي يستخدمونه:
تخيل بيانات المريض كرقصة معقدة.

SMOTE القياسي: يختار راقصين فقط ويضع راقصاً جديداً في المنتصف تماماً بينهما.
CopulaSMote: يدرس أولاً تصميم الرقصات (Choreography). إنه يتعلم قواعد كيفية تحرك الراقصين معاً (على سبيل المثال: "عندما ترتفع الذراع اليسرى، عادة ما تركل الساق اليمنى"). ثم يستخدم هذه القواعد لإنشاء راقصين جدد يتحركون بتناغم تام مع المجموعة، حتى لو كانوا في مكان لم يقف فيه أحد من قبل.

كيف يعمل (الخطوات "السحرية")

الخريطة: يأخذون بيانات مرضى السكري الحقيقيين ويترجمونها إلى "خريطة" عالمية (تسمى رياضياً "فضاء كوبولا" - copula space). تلتقط هذه الخريطة حركات الرقص (الارتباطات) دون القلق بشأن الوحدات المحددة (مثل الباوند مقابل الكيلوغرام).
الكرمة (The Vine): يستخدمون بنية تسمى "كرمة كوبولا" (Vine Copula). تخيل كرمة بها فروع كثيرة. كل فرع يربط بين متغيرين (مثل الجلوكوز ومؤشر كتلة الجسم) ويتعلم بالضبط كيف يرتبطان. وهذا يسمح لهم بالتعامل مع العلاقات المعقدة والفوضوية التي لا يستطيع الخط المستقيم البسيط التعامل معها.
البيانات المزيفة: يقومون بتوليد مرضى "مزيفين" جدد على هذه الخريطة، مع ضمان اتباعهم لنفس قواعد الرقص الخاصة بالمرضى الحقيقيين.
العودة: يترجمون هؤلاء المرضى المزيفين إلى أرقام حقيقية (سكر الدم، العمر، إلخ) حتى يتمكن الحاسوب من التعلم منهم.

ماذا وجدوا؟
اختبر الباحثون هذه الطريقة الجديدة على ثلاث مجموعات مختلفة من بيانات السكري:

المجموعة الصغيرة (Pima Indians): مجموعة بيانات صغيرة تحتوي على عدد قليل من المرضى. هنا، كانت الطريقة الجديدة جيدة بقدر الطرق القديمة، ولكن ليس بشكل أفضل بشكل ملحوظ. فمن الصعب تعلم قواعد الرقص المعقدة عندما يكون لديك عدد قليل جداً من الراقصين للمراقبة.
المجموعة المتوسطة (Iraqi): مجموعة بيانات تعاني من عدم توازن شديد للغاية. مرة أخرى، صمدت الطريقة الجديدة، لكن النتائج كانت قريبة جداً من الأعلى لدرجة أنه كان من الصعب إعلان فائز واضح.
المجموعة الكبيرة (CDC): مجموعة بيانات ضخمة تضم أكثر من 250,000 شخص و21 عاملاً صحياً مختلفاً. هنا برعت الطريقة الجديدة.
- في هذه المجموعة الكبيرة، كانت CopulaSMOTE أفضل بكثير في العث_ور على "الطيور النادرة" (مرضى السكري) من الطرق القياسية.
- لقد حسنت درجة F1 (وهي مقياس للدقة الإجمالية للفئة النادرة) بشكل كبير.
- ومع ذلك، كان هناك مقايضة: فمن خلال محاولة الإمساك بمزيد من المرضى النادرين، قد يطلق النظام أحياناً المزيد من "الإنذارات الكاذبة" (بالقول إن شخصاً صحيحاً مريض). أدى هذا إلى خفض درجة أخرى تسمى AUC لنوع معين من النماذج الحاسوبية (XGBoost)، ولكن بالنسبة لمعظم النماذج الأخرى، كان فوزاً واضحاً.

الخلاصة
تخلص الورقة البحثية إلى أن CopulaSMOTE هي أداة قوية، ولكنها تعمل بشكل أفضل عندما يكون لديك كمية كبيرة من البيانات.

إذا كان لديك مجموعة بيانات صغيرة، فإن طريقة "النسخ الضوئي" القياسية (SMOTE) جيدة بما يكفي.
إذا كان لديك مجموعة بيانات كبيرة ومعقدة (مثل مسح CDC)، فإن "متعلم تصميم الرقصات" (CopulaSMOTE) هو الأفضل لأنه يفهم كيف ترتبط العوامل الصحية ببعضها البعض، مما ينشئ أمثلة مزيفة أفضل تساعد الحاسوب على التعرف على السكري بدقة أكبر.

إنها ليست عصا سحرية تصلح كل شيء، ولكن بالنسبة للمسوحات الطبية واسعة النطاق، فهي تساعد الحاسوب على التوقف عن تفويت الأشخاص الذين يحتاجون بالفعل إلى المساعدة.

ملخص تقني: CopulaSMOTE للتنبؤ بمرض السكري في حالات عدم توازن البيانات

بيان المشكلة
يمثل عدم توازن الفئات عائقاً كبياً أمام تطوير نماذج تنبؤ سريرية دقيقة لحالات مثل داء السكري، حيث غالباً ما يفوق عدد الحالات المؤكدة عدد حالات الضبط (على سبيل المثال، نسبة 1:8 في المسوحات السكانية). وتظهر المصنفات القياسية المدربة على مثل هذه البيانات حساسية ضعيفة للفئة الأقلية (وهي النتيجة الحرجة سريرياً)، مما يؤدي إلى تشخيصات فائتة. وبينما تُستخدم تقنية توليد العينات الأقلية الاصطناعية (SMOTE) ومتغيراتها على نطاق واسع لمعالجة هذا الأمر، إلا أنها تولد عينات اصطناعية عبر الاستيفاء المحلي (local interpolation) في فضاء الميزات. ويفشل هذا النهج في نمذجة بنية الاعتماد المشترك العالمية للفئة الأقلية بشكل صريح. وفي بيانات مرض السكري، لا تكون عوامل الخطر مثل تحمل الجلوكوز، ومقاومة الأنسولين، ومؤشر كتلة الجسم، وضغط الدم مستقلة هامشياً، بل تعكس عمليات فسيولوجية مرضية مشتركة. إن توليد بيانات اصطناعية دون مراعاة هذه التبعيات يهدد بإنشاء عينات غير منطقية من الناحية الأيضية، مما يؤدي إلى إدخال ضوضاء في البيانات. ومن ناحية أخرى، يمكن للنماذج التوليدية العميقة (مثل GANs وVAEs) التقاط الهياكل المشتركة المعقدة، لكنها غالباً ما تتطلب عينات تدريب كبيرة وتفتقر إلى القابلية للتفسير، مما يجعلها أقل عملية لأحجام العينات الصغيرة إلى المتوسطة التي تميز العديد من مجموعات بيانات السكري.

المنهجية: CopulaSMOTE
يقترح المؤلفون إطار عمل CopulaSMOTE، وهو إطار عمل لتكثير العينات يعتمد على "vine copula"، مصمم لتقدير والحفاظ على بنية الاعتماد للفئة الأقلية. تعمل الطريقة من خلال الخطوات التالية:

المعالجة المسبقة: تتم معالجة طية التدريب للتعامل مع القيم المفقودة (باستخدام الوسيط - median imputation) والتقييس (standardization). ومن الأهمية بمكان أن يتم تطبيق هذه التحويلات فقط على طية التدريب لمنع تسرب البيانات (data leakage).
توليد الملاحظات الزائفة (Pseudo-Observation Generation): يتم تحويل مصفوفة ميزات الفئة الأقلية إلى ملاحظات زائفة في الفضاء الفائق الوحدة $[0, 1]^d$ باستخدام تحويل الرتب التجريبي. وللتعامل مع الميزات الثنائية أو ذات التكرار المنخفض (التي تسبب تساوياً في الرتب وتخالف فرضية الاستمرارية لـ vine copulas)، يتم إضافة "ارتجاف غاوسي" صغير ( $\epsilon = 10^{-6}$ ) إلى الميزات قبل ترتيبها. هذا "التمدد المستمر" يسمح بتطبيق الـ vine copulas على أنواع البيانات المختلطة.
ملاءمة الـ Vine Copula: يتم ملاءمة vine copula مبتور (truncated vine copula) للملاحظات الزائفة. يقوم هيكل الـ vine بتفكيك الاعتماد متعدد المتغيرات إلى سلسلة من الكتل الثنائية البنائية (pair-copulas).
- يتم اختيار عائلات الـ pair-copula (مثل Gaussian, Student-t, Clayton, Gumbel, Frank) لكل حافة باستخدام معيار المعلومات البايزي (BIC).
- لإدارة التكلفة الحسابية ومنع الإفراط في التخصيص (overfitting) في أحجام العينات المتوسطة، يتم بتر (truncation) الـ vine عند المستوى $\min(3, d-1)$ . ويتم استبدال التبعيات الشرطية من الرتب العليا باستقلال الـ copulas.
المحاكاة: يتم أخذ عينات من الملاحظات الزائفة الاصطناعية من الـ truncated vine copula الملائم.
التحويل العكسي: يتم رسم خرائط للملاحظات الزائفة الاصطناعية مرة أخرى إلى فضاء الميزات الأصلي باستخدام دالة التوزيع التراكمي (CDF) العكسية التجريبية. لكل ميزة، يتم رسم القيمة المحاكات إلى أقرب قيمة مرتبة لوحظت في الفئة الأقلية الأصلية. يضمن هذا أن العينات الاصطناعية تحافظ على الدعم الهامشي التجريبي (على سبيل المثال، الحفاظ على القيم الثنائية كقيم ثنائية) ولا تُدخل قيماً مستوفاة خارج النطاق المرصود.
التكامل: يتم تسمية العينات الاصطناعية بملصق الفئة الأقلية وإلحاقها بمجموعة التدريب، مما يخلق مجموعة بيانات متوازنة لتدريب المصنف.

المساهمات الرئيسية

التكثير المدرك للاعتماد: تقدم الدراسة طريقة تقدر صراحةً بنية اعتماد الفئة الأقلية باستخدام truncated vine copulas، بدلاً من الاعتماد فقط على الاستيفاء الهندسي المحلي.
الحفاظ على الهامش التجريبي: من خلال استخدام تحويل الـ CDF العكسي التجريبي، تضمن الطريقة أن العينات الاصطناعية تحترم التوزيعات الهامشية ودعم البيانات الأصلي، وهي ميزة حاسمة للمتغيرات السريرية التي قد تكون منفصلة أو محدودة.
التقييم الشامل: يتم تقييم إطار عمل CopulaSMOTE عبر ثلاث مجموعات بيانات عامة لمرض السكري (Pima Indians, Iraqi Diabetes, و CDC BRFSS 2015) تغطي أحجام عينات وأبعاد ونظم عدم توازن متفاوتة.
المقارنة الصارمة: يقارن المؤلفون CopulaSMOTE بأربعة نماذج أساسية (SMOTE, Borderline-SMOTE, ADASYN, و Normalizing Flow) عبر خمسة مصنفات (Random Forest, Gradient Boosting, XGBoost, Logistic Regression, MLP) باستخدام بروتوكول التحقق المتقاطع 5×2 واختبار t المزدوج لـ Dietterich.

النتائج
يعتمد أداء CopulaSMote بشكل كبير على حجم مجموعة البيانات وأبعادها:

مجموعات البيانات الصغيرة/منخفضة الأبعاد (Pima, Iraqi): في مجموعة بيانات Pima (768 عينة، 8 ميزات) ومجموعة بيانات Iraqi (947 عينة، 11 ميزة)، يظل CopulaSMOTE منافساً للطرق القائمة على الاستيفاء، ولكنه لا يحقق فروقاً ذات دلالة إحصائية كبيرة. إذ يحد عدد الملاحظات الأقلية من القدرة على تقدير هياكل الاعتماد المعقدة بشكل موثوق.
مجموعة البيانات الكبيرة/عالية الأبعاد (CDC BRFSS): في مجموعة بيانات CDC (253,680 عينة، 21 ميزة، ~35,000 حالة أقلية)، يُظهر CopulaSMOTE مزايا واضحة.
- درجة F1: يحقق أعلى درجات F1 عبر جميع المصنفات الخمسة، مع تحسينات ملحوظة على متغيرات SMOTE والـ normalizing flow (على سبيل المثال، +0.1503 في درجة F1 لـ XGBoost).
- المفاضلة بين الاستدعاء (Recall) والدقة (Precision): تحسن الطريقة بشكل كبير من استدعاء الفئة الأقلية، مما ينقل حد القرار لالتقاط المزيد من الحالات الإيجابية. ومع ذلك، يأتي هذا على حساب انخفاض الدقة في بعض التكوينات. وبالتالي، بينما تتحسن F1، فإن AUC و PR AUC لـ XGBoost تكون أحياناً أقل من النماذج الأساسية لأن المقياس يعاقب على زيادة معدل الإيجابيات الكاذبة.
- الاعتماد على المصنف: أظهرت نماذج Gradient Boosting و Logistic Regression و MLP متانة تجاه التحول في الاستدعاء-الدقة، مستفيدة من الطريقة. بينما أظهر XGBoost مقايضة حيث أدى ارتفاع الاستدعاء إلى خفض AUC و PR AUC.
- المقارنة مع التعلم العميق: حقق نموذج الـ normalizing flow baseline نتائج تنافسية أو متفوقة في AUC على مجموعة بيانات CDC، ولكنه أنتج باستمرار أضعف درجات F1 عبر جميع مجموعات البيانات، مما يشير إلى صعوبة في ملاءمة نماذج عالية السعة ومستقرة مع أحجام عينات أقلية متواضعة.

الأهمية والادعاءات
تضع الورقة البحثية CopulaSMOTE ليس كبديل مهيمن عالمياً لطرق التكثير الموجودة، بل كـ مكمل عملي لسيناريوهات محددة. ويدعي المؤلفون أن قوته القصوى تكمن في البيانات السريرية الجدولية متوسطة الأبعاد حيث تكون الفئة الأقلية كبيرة بما يكفي لدعم التقدير الموثوق لـ vine copula.

تخلص الدراسة إلى أن التوليد الاصطناعي المدرك للاعتماد يصبح أكثر فعالية مع زيادة أبعاد مجموعة البيانات وحجم عينة الفئة الأقلية. وبالنسبة لمهام الفحص السريري حيث تُعطى الأولوية لـ الاستدعاء (تحديد جميع الحالات المحتملة) على الدقة الصارمة، يوفر CopulaSMOTE بديلاً مبنياً على أسس إحصائية وقابلاً للتفسير مقارنة بالاستيفاء المحلي. ويشير المؤلفون بتواضع إلى أن الطريقة تعتمد على "تمدد مستمر" للبيانات المختلطة بدلاً من نموذج احتمالية (likelihood) محدد بالكامل للبيانات المختلطة، ويقترحون أن العمل المستقبلي يجب أن يستكشف نماذج احتمالية موحدة للمتغيرات المنفصلة والمستمرة.

أبحاث مشابهة