Explainable AI for Data-Driven Design of High-Dimensional Predictive Studies

ملخص تقني: الذكاء الاصطناائي القابل للتفسير لتصميم الدراسات التنبؤية عالية الأبعاد المعتمدة على البيانات

بيان المشكلة
يعد النمذجة التنبؤية في الرعاية الصحية أمراً ضرورياً لاتخاذ القرارات السريرية، ومع ذلك، يظل تصميم نماذج مثالية للبيانات عالية الأبعاد تحدياً كبيراً. تُفضل الطرق الإحصائية التقليدية، مثل نماذج مخاطر كوكس النسبية (CPH)، نظراً لقابليتها للتفسير وصرامتها الرياضية، لكنها غالباً ما تعتمد على افتراضات خطية مقيدة تفشل في التقاط الحقائق البيولوجية المعقدة، مثل علاقات المخاطر غير الخطية (مثل علاقات منحنى U لكتلة الجسم) أو تفاعلات الميزات من الدرجة العالية. وفي المقابل، تتفوق نماذج تعلم الآلة (ML) الحديثة في التقاط هذه الأنماط المعقدة، لكنها تعمل كـ "صناديق سوداء"، مما يفتقر إلى الشفافية المطلوبة للثقة السريرية والاعتماد التنظيمي. لقد ظهر الذكاء الاصطناائي القابل للتفسير (XAI) كوسيلة لتفسير النماذج الصندوق الأسود، ولكنه يُستخدم بشكل متكرر لمجرد التبرير اللاحق بدلاً من كونه آلية لتحسين تصميم النماذج الإحصائية الشفافة (النماذج البيضاء). تعالج هذه الدراسة الفجوة في أتمتة عملية "هندسة الميزات" — وتحديداً اختيار الميزات، وتحديد المصطلحات غير الخطية، واكتشاف التفاعلات — لتعزيز النماذج السريرية التقليدية دون التضحية بقابلية التفسير.

المنهجية
يقترح المؤلفون "موصي الذكاء الاصطناائي الاستكشافي"، وهو إطار عمل مصمم للكشف المنهجي عن العلاقات في البيانات وتحسين تصميم الدراسات التنبؤية من خلال ثلاث مراحل متميزة:

1. تأسيس خط الأساس: يتم تطبيق نموذج CPH متعدد المتغيرات قياسي، مدفوع بالمعرفة، باستخدام مجموعة مختارة من المتنبئات (مثل الديموغرافيا، الأمراض المصاحبة، الأدوية) دون هندسة متقدمة للميزات (بدون تفاعلات أو مصطلحات غير خطية).
2. الذكاء الاصطناائي الاستكشافي وتوليد التوصيات:
   • النمذجة الاستكشافية: يتم تدريب نموذج "صندوق أسود" مرن وعالي الأداء، وتحديداً "غابة البقاء العشوائية" (RSF)، على نفس البيانات لالتقاط الأنماط المعقدة وغير الخطية والتفاعلات.
   • التفسير عبر XAI: يتم تفسير نموذج RSF باستخدام قيم SHAP (تفسيرات شابلي المضافة) لتوليد "نسب الميزات" (FAs). ولتجنب حجب المخاطر الخاصة بالمجموعات الفرعية، يقوم المؤلفون بإجراء تحليل نسبة الميزات للمجموعات المتطرفة، من خلال تقسيم السكان إلى مجموعات منخفضة المخاطر وعالية المخاطر بناءً على درجات المخاطر المتوقعة.
   • منطق التوصية: تتم معالجة نسب الميزات (FAs) من خلال ثلاثة أنماط قائمة على القواعد لتوليد توصيات قابلة للتنفيذ:
     • استبعاد الميزات: يُوصى باستبعاد الميزات التي لا تتجاوز متوسط قيم FA المطلقة عتبة معنوية قائمة على البيانات (5% من الانحراف المعياري لمتوسط قيم FA المطلقة).
     • المصطلحات غير الخطية: يتم وضع علامة على الميزات التي تظهر ارتباط بيرسون ضعيفاً ($|r| < 0.1$) بين قيم الميزة وقيم FA الخاصة بها لنمذجتها بشكل غير خطي (مثل المصطلحات التربيعية أو الـ splines).
     • تفاعلات الميزات: يتم إجراء تحليل تقسيم تكراري. إذا اختلف توزيع قيم FA لميزة معينة بشكل كبير بين الطبقات المحددة بميزة أخرى (باستخدام اختبار ويلكوكسون لرتب المجموعات)، يتم التوصية بمصطلح تفاعل من الدرجة الأولى.
3. التقييم: يتم دمج التوصيات في نموذج CPH مُعزز. ويتم مقارنة أداء هذا النموذج المعزز بنموذج CPH الأساسي ونموذج RSF الاستكشافي باستخدام مؤشر التوافق (C-index) للتمييز، ومخططات المعايرة (التقاطع والميل) للمعايرة.

النتائج الرئيسية
تم تقييم الإطار في المقام الأول على مجموعة بيانات عالية الأبعاد تضم 245,614 مريضاً من مستودع DataLoch، للتنبؤ بالوقت المستغرق حتى أول سقوط أو إصابة مرتبطة به (FRI).

• التوصيات المولدة: حدد النظام 23 ميزة للاستبعاد، وأوصى بمصطلحات غير خطية لميزتين (حالة شرب الكحول والعمر)، واقترح 221 مصطلح تفاعل من الدرجة الأولى. وكانت جميع التوصيات مدعومة بالأدبيات الطبية الحالية.
• مكاسب الأداء:
  • حقق نموذج CPH الأساسي مؤشر توافق قدره 0.805 (فاصل ثقة 95% 0.798–0.812).
  • حقق نموذج RSF الاستكشافي مؤشر توافق قدره 0.820.
  • حقق نموذج CPH المعزز (الذي يتضمن جميع التوصيات) مؤشر توافق قدره 0.815 (فاصل ثقة 95% 0.809–0.822)، مما يمثل تحسناً ذا دلالة إحصائية ($\Delta$C-index = 0.010، $P < 0.001$) عن النموذج الأساسي.
  • تحسنت المعايرة أيضاً، حيث انتقل الميل من 1.063 إلى 0.950، والتقاطع من -0.006 إلى 0.003.
• القدرة على التعميم: تم تطبيق الطريقة بنجاح على مجموعتي بيانات عامتين إضافيتين (GBSG2 لسرطان الثدي وACT لمرض نقص المناعة البشرية)، مما أظهر تحسينات متسقة في التمييز (على سبيل المثال، تحسن مؤشر C-index في GBSG2 من 0.665 إلى 0.687؛ وفي ACT من 0.725 إلى 0.770).

الأهمية والادعاءات
يفترض البحث أن الإطار المقترح يسد الفجوة بين القدرة التنبؤية للذكاء الاصطناعي المعقد والشفافية المطلوبة للتبني السريري. ومن خلال استخدام الذكاء الاصطناعي حصرياً كمحرك استكشافي لتوجيه تصميم النماذج الإحصائية التقليدية، يزعم المؤلفون أنهم يحلون المفاضلة بين الدقة وقابلية التفسير دون مشاكل الأمانة المرتبطة بـ XAI اللاحق.

تشمل الادعاءات الرئيسية المتعلقة بأهمية الدراسة ما يلي:

• تصميم الدراسات القائم على البيانات: يقوم الإطار بأتمتة اكتشاف استبعاد الميزات، واللاخطية، والتفاعلات، متجاوزاً التوصيف القائم فقط على الأدبيات.
• رؤية المجموعات الفرعية: يكشف تحليل المجموعات المتطرفة عن عوامل الخطر الخاصة بالسكان منخفضي المخاطر (مثل مضادات الالتهاب غير الستيرويدية في المجموعات منخفضة المخاطر) والتي غالباً ما يتم تجاهلها في النماذج التقليدية التي تركز على المجموعات عالية المخاطر، مما يوفر فرصاً جديدة للوقاية المستهدفة.
• القابلية للتدقيق: تحتفظ النماذج المعززة الناتجة بالشفافية الرياضية لمقاييس المخاطر القياسية، مما يجعلها مناسبة للبيئات السريرية المنظمة حيث تُرفض مجموعات "الصندوق الأسود" غالباً.
• القابلية للتوسع: تعتبر الطريقة فعالة حاسوبياً مقارنة بتدريب بنيات التعلم العميق المعقدة للتنبؤ النهائي، حيث يتم تنفيذ العمل الشاق مرة واحدة خلال المرحلة الاستكشافية.

يتبنى المؤلفون موقفاً متواضعاً، حيث يقرون بأن الإطار يولد فرضيات لمزيد من الاستقصاء بدلاً من تقديم أدلة سببية، وأن التوصيات تعتمد على أداء نموذج الاستكشاف الأساسي. ويؤكدون أن هذه الأداة تدعم الحكم السريري ولا تستبدله.