📊 statistics

KAPLAN: Kolmogorov-Arnold Prognostic Learnable Activation Networks for Survival Analysis

تقدم الورقة البحثية KAPLAN-HR، وهي شبكة كولموغوروف-أرنولد تعتمد على B-spline لتحليل البقاء، والتي تتعلم تلقائياً التفاعلات المعقدة بين المتغيرات والآثار المتغيرة زمنياً دون تحديد يدوي، مما يوفر معدلات تقارب مستقلة عن الأبعاد وأداءً تنبؤياً فائقاً عبر مجموعات البيانات السريرية.

المؤلفون الأصليون: Stelios Boulitsakis Logothetis, Angela Wood, Pietro Li ò

نُشر 2026-05-25

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Stelios Boulitsakis Logothetis, Angela Wood, Pietro Li ò

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 التنبؤ بمدة بقاء المريض على قيد الحياة بعد تشخيص معين، أو ميكانيكي يحاول تخمين متى ستتعطل قطعة غيار في سيارة. هذا ما يسمى تحليل البقاء (Survival Analysis). الجزء الصعب هو أنك غالبًا لا تحصل على القصة كاملة؛ فأحيانًا ينتقل المريض للعيش في مكان آخر، أو تُباع السيارة قبل أن تتعطل. أنت تعرف فقط أنهم عاشوا على الأقل حتى تلك اللحظة. وهذا ما يسمى "الرقابة اليمنى" (Right Censoring).

لعقود من الزمن، استخدم الإحصائيون أدوات مثل نموذج كوكس (Cox model) لإجراء هذه التنبؤات. فكر في نموذج كوكس كمنزل جاهز ومسبق الصنع؛ إنه متين وسهل الفهم، ولكن إذا أردت إضافة درج حلزوني أو نافذة سقفية (تفاعلات معقدة بين المتغيرات)، فعليك تصميم وبناء ذلك بنفسك يدويًا. وإذا فاتك تفصيل واحد، فقد لا يتناسب المنزل بأكاء مع واقع البيانات.

هنا يأتي دور KAPLAN-HR، وهي الطريقة الجديدة التي قدمتها هذه الورقة البحثية. يقترح المؤلفون (من جامعة كامبريدج) طريقة أكثر ذكاءً ومرونة لبناء نماذج التنبؤ هذه باستخدام ما يسمى شبكات كولموغوروف-أرنولدد (Kolmogorov-Arnold Networks - KANs).

إليك كيف يعمل KAPLAN-HR، مشروحًا عبر تشبيهات بسيطة:

1. "الليغو" مقابل "الأحجية"

نماذج التعلم العميق التقليدية (مثل الشبكات العصبية القياسية) تشبه كتلة ضخمة من الخرسانة؛ فهي قوية ويمكنها تعلم أي شيء تقريبًا، لكن من الصعب فهمها، ولا يمكنك بسهولة معرفة لماذا قدمت تنبؤًا معينًا.

أما النماذج الإحصائية القديمة (مثل نماذج GAMs) فهي تشبه مجموعة من مكعبات الليغو؛ يمكنك تركيبها معًا، لكن كل مكعب يقوم بشيء بسيط واحد فقط (مثل "كيف يؤثر العمر على المخاطر" أو "كيف يؤثر الوقت على المخاطر"). إذا كنت تريد رؤية كيف يؤثر العمر والوقت معًا على المخاطر بطريقة معقدة، فعليك أن تخبر النموذج يدويًا بأن يركب تلك المكعبات المحددة معًا.

KAPLAN-HR يشبه أحجية (Puzzle) ذكية ذاتية التجميع.

الحواف (Edges): بدلاً من الأرقام الثابتة، تكون الروابط في الشبكة عبارة عن "دوال قابلة للتعلم". تخيل أن كل رابط هو شريط مطاطي مرن يمكنه التمدد والالتواء في أي شكل يحتاجه ليتناسب مع البيانات.
الطبقات (Layers):
- طبقة واحدة: إذا استخدمت طبقة واحدة فقط، فستعمل مثل نماذج الليغو القديمة (GAMs)؛ ستكون بسيطة، تراكمية، وسهلة التفسير.
- طبقات متعددة: إذا قمت بتكديس المزيد من الطبقات، ستبدأ الأشرطة المطاطية في التفاعل. يمكن للنموذج الآن اكتشاف العلاقات المعقدة من تلقاء نفسه — مثل كيف يمكن لدواء معين أن يعمل فقط إذا كان المريض فوق سن معينة، دون أن تضطر أنت لإخباره بالبحث عن هذا المزيج المحدد.

2. كاسر "لعنة الأبعاد"

في علم البيانات، هناك مشكلة تسمى "لعنة الأبعاد" (Curse of Dimensionality). الأمر يشبه محاولة العثض على إبرة محددة في كومة قش تستمر في الكبر والاتساع. عادةً، كلما أضفت متغيرات أكثر (متغيرات مصاحبة) إلى نموذجك، انفجر حجم البيانات التي تحتاجها للحصول على إجابة جيدة.

تدعي الورقة أن KAPLAN-HR يمتلك قوة خارقة خاصة: إنه يتجاهل حجم كومة القش.
لقد أثبت المؤلفون رياضيًا أنه إذا كان الواقع الحقيقي يمكن وصفه بهذا الهيكل المرن للأحجية، فإن النموذج يتعلم بنفس السرعة سواء كان لديك 5 متغيرات أو 500 متغير. لا يصبح النموذج أبطأ أو يحتاج إلى مزيد من البيانات لمجرد أن المشكلة أصبحت أكثر تعقيدًا. وهذا أمر بالغ الأهمية لأن مجموعات البيانات الطبية غالبًا ما تحتوي على مئات القياسات المختلفة.

3. عملية "التدريب"

كيف يتعلم النموذج؟

ينظر إلى البيانات (المرضى، الأوقات، وما إذا كان الحدث قد وقع أم لا).
يحاول رسم منحنى (الخطر/Hazard) يناسب البيانات بأفضل شكل.
نظرًا لأنه يستخدم B-splines (نوع من المنحنيات الرياضية الناعمة) مدمجة مع دالة تنشيط حديثة نوعًا ما (SiLU)، فإنه يستطيع التماوج والانحناء ليتناسب مع البيانات تمامًا دون أن يكون متعرجًا جدًا أو ناعمًا جدًا.
يستخدم خدعة "التكامل العددي" لتحويل تنبؤاته إلى منحنيات بقاء (احتمالية البقاء على قيد الحياة لوقت معين)، وهو أمر ضروري لأن الرياضيات تصبح معقدة للغاية بحيث لا يمكن حلها بمعادلة بسيطة.

4. هل نجح الأمر؟ (النتائج)

اختبر المؤلفون KAPLAN-HR على ست مجموعات بيانات سريرية من العالم الحقيقي (بما في ذلك بيانات سرطان الثدي، وفشل القلب، وسجلات مرضى العناية المركزة). وقارنوه بكل من:

المعيار القديم (نماذج كوكس).
نماذج الليغو المرنة (GAMs).
الكتل الخرسانية الضخمة (نماذج التعلم العميق مثل DeepSurv و DeepHit).

الحكم النهائي:
كان KAPALN-HR هو البطل.

لقد طابق أو تفوق على أفضل النماذج الموجودة في التنبؤ بمن سيعيش لفترة أطول (التمييز/Discrimination).
كان دقيقًا جدًا في التنبؤ بمنحنى البقاء الدقيق (الدقة/Accuracy).
كان مضبوطًا جيدًا (Well-calibrated)، مما يعني أنه إذا قال إن هناك احتمال 20% لوقوع حدث ما، فقد وقع بالفعل بنسبة 20% تقريبًا.

الأهم من ذلك، أظهروا في عمليات المحاكاة أنه عندما كانت البيانات تحتوي على تفاعلات معقدة (مثل "التواء" في العلاقة بين المتغيرات)، فإن النماذج القديمة كانت تتعثر وتتوقف عن التحسن، بينما استمر KAPLAN-HR في التحسن كلما رأى المزيد من البيانات.

الملخص

KAPLAN-HR هو أداة جديدة للتنبؤ ببيانات "الوقت حتى وقوع الحدث" (مثل أوقات البقاء على قيد الحياة). إنه يسد الفجوة بين النماذج الإحصائية البسيطة سهلة الفهم ونماذج التعلم العميق المعقدة التي تعمل كـ "صندوق أسود". يستخدم بنية مرنة تشبه الأحجية، يمكنها اكتشاف العلاقات المعقدة في البيانات تلقائيًا دون الحاجة إلى تدخل بشري لبرمجتها يدويًا. تثبت الورقة أن هذه الطريقة سليمة رياضيًا (تتعلم بسرعة بغض النظر عن تعقيد البيانات) وفعالة عمليًا (تؤدي بشكل يضاهي أو يتفوق على أحدث التقنيات الحالية في البيانات الطبية الواقعية).

ملخص تقني: KAPLAN-HR

بيان المشكلة

يهدف تحليل البقاء (Survival analysis) إلى نمذجة توزيع "الوقت حتى وقوع الحدث" في ظل الرقابة اليمنى (right censoring)، حيث يكون وقت الحدث الدقيق مرصوداً بشكل جزئي فقط. وبينما يعد نموذج مخاطر كوكس النسبية (Cox proportional hazards - PH) هو المعيار السائد، إلا أنه يتطلب تحديداً يدوياً لتفاعلات الميزات ويفترض تأثيرات ثابتة زمنياً للمتغيرات المستقلة، وهو أمر غير عملي بشكل متزايد مع البيانات السريرية الغنية. أما البدائل المرنة الموجودة، مثل النماذج الجمعية المعممة (GAMs) وHARE، فهي محدودة بنيوياً: تتطلب نماذج GAM مصطلحات تفاعل يدوية، ولا يمكن لـ HARE تمثيل التفاعلات من الرتب العليا. ومن ناحية أخرى، فإن نهج التعلم العميق يتخلى عن القيود الهيكلية ولكنه غالباً ما يضحي بالقابلية للتفسير والبنية الجمعية للنماذج الكلاسيكية. علاوة على ذلك، بينما تظهر التطبيقات الحديثة لشبكات كولموغوروف-أرنولد (KANs) في تحليل البقاء نتائج واعدة، إلا أنها تفتقر إلى التحليل النظري الرسمي فيما يتعلق بمعدلات التقارب والخصائص الإحصائية.

المنهجية: KAPLAN-HR

يقدم المؤلفون KAPLAN-HR (شبكات تنشيط كولموغوروف-أرنولد القابلة للتعلم للتنبؤ بالخطر)، وهي عبارة عن شبكة KAN تعتمد على B-spline مصممة لتقدير دالة الخطر الشرطية كدالة مشتركة للمتغيرات ( $x$ ) والزمن ( $t$ ).

البنية الهندسية

يقوم النموذج بتمثيل دالة لوغاريتم الخطر $g(x, t)$ باستخدام KAN، حيث تحمل الحواف دوال أحادية المتغير قابلة للتعلم وتجمع العقد المدخلات.

تمثيل الحواف: كل حافة هي مجموع أوزان لـ B-spline بالإضافة إلى حد SiLU (وحدة سيجمويد خطية) متبقي.
العمق والهيكل:
- الطبقة الواحدة ( $D=1$ ): تستعيد نموذج GAM جمعي يعتمد على B-spline تحت قيود PH، حيث $\log \lambda(t|x) = \sum \phi_i(x^{(i)}) + \phi_t(t)$ .
- البنى العميقة ( $D \ge 2$ ): من خلال التركيب، تلتقط الطبقات الأعمق تفاعلات المتغيرات والتأثيرات المتغيرة زمنياً، مما يلغي كل من القيود الجمعية وقيود المخاطر النسبية.
التدريب: يقلل النموذج من السلب اللوغاريتمي للاحتمالية (NLL) للبيانات المرصودة. وبما أن الخطر التراكمي $\Lambda(t|x) = \int_0^t \lambda(s|x) ds$ ليس له شكل مغلق لنموذذجات الخطر المعتمدة على KAN، فقد استخدم المؤلفون تقريباً باستخدام التكامل العددي (قاعدة مستطيل الطرف الأيمن) عبر شبكة زمنية منفصلة.

التحليل النظري

يضع البحث معدل تقارب لمقدر KAPLAN-HR باستخدام طريقة المنخل (method of sieves).

الافتراضات: يُفترض أن دالة لوغاريتم الخطر الحقيقية $g^*$ تقع ضمن فئة من الدوال التي يمكن تمثيلها كتركيب طبقي لدوال أحادية المتغير سلسة ( $FKAN_r$ ). كما يُفترض أن الرقابة مستقلة عن وقت الحدث بشرط معرفة المتغيرات.
معدل التقارب: أثبت المؤلفون أن مسافة هيلينجر (Hellinger distance) بين الخطر المقدر والحقيقي تتقارب بمعدل $O_P(n^{-r/(2r+1)}\sqrt{\log n})$ ، حيث $r$ هو أس السلاسة.
أهمية المعدل: من الأهمية بمكان أن هذا المعدل يعتمد فقط على سلاسة التمثيل وحجم العينة، وليس على بُعد المتغيرات المستقلة (حتى عامل لوغاريتمي واحد). وهذا يشير إلى أن KAPLAN-HR يخفف من لعنة الأبعاد بالنسبة للأهداف التي يمكن تمثيلها بواسطة KAN.

المساهمات الرئيسية

اقتراح النموذج: يعمل KAPLAN-HR كجسر بين نماذج الخطر الجمعية القائمة على الـ spline ونماذج البقاء العميقة، حيث يتحكم عمق الشبكة في مستوى التحرر الهيكلي (من الجمعي إلى التفاعلي).
الضمان النظري: يقدم البحث أول معدل تقارب رسمي لنموذج بقاء قائم على KAN، مما يثبت استقلال الأبعاد للأهداف القابلة للتمثيل بواسطة KAN.
التحقق التجريبي: تقييم واسع النطاق على ست مجموعات بيانات سريرية معيارية ودراسات محاكاة.

النتائج التجريبية

المحاكاة

اختبر المؤلفون أربع عمليات توليد بيانات (DGPs) ذات درجات متفاوتة من السلاسة وهياكل التفاعل:

التقارب: تتبع KAPLAN-HR معدل التقارب المتوقع ( $n^{-r/(2r+1)}$ ) عبر جميع عمليات توليد البيانات.
التفاعلات: بينما تقاربت نماذج GAM في العمليات الجمعية (DGP-1, DGP-2)، إلا أنها استقرت عند مستويات ثابتة في العمليات كثيفة التفاعل (DGP-3, DGP-4). بينما استمر KAPland-HR في التحسن، مما أظهر قدرته على التقاط التفاعلات التي لا تستطيع النماذج الجمعية التقاطها.

المعايير السريرية

تم تقييم KAPLAN-HR على ست مجموعات بيانات قياسية (METABRIC, MIMIC-III, RotGBSG, FLCHAIN, NWTCO, SUPPORT) مقابل تسعة نماذج مرجعية (CoxPH, GAM, HARE, DeepSurv, DeepHit, DSM, CoxKAN, إلخ) باستخدام التمييز (C-TD)، ودقة البقاء (IBS)، والمعايرة (ICI, D-CAL).

الأداء: حقق KAPLAN-HR أفضل C-TD في 4 من أصل 6 مجموعات بيانات، وأفضل IBS في 3 من أصل 6، وأفضل ICI في 2 من أصل 6.
الدلالة الإحصائية: في اختبار ويلكوكسون للرتب الموقعة مع تصحيح Holm-Bonferroni، أظهر KAPLAN-HR تحسناً ذا دلالة إحصائية في التمييز على مجموعة بيانات FLCHAIN مقارنة بأفضل نموذج مرجعي (DeepSurv). ولم يتم ملاحظة أي تدهور معنوي في أي مقياس.
التصنيف: في المتوسط، كان تصنيف KAPLAN-HR تنافسياً، وغالباً ما يضاهي أو يتجاوز الطرق الإحصائية وطرق التعلم العميق الراسخة.

الأهمية والادعاءات

يدعي البحث أن KAPLAN-HR يوفر نهجاً مبدئياً لتحليل البقاء يوازن بين المرونة والقابلية للتفسير.

الجدة النظرية: المساهمة الأساسية هي وضع معدل تقارب مستقل عن الأبعاد لمقدرات الخطر القائمة على KAN، وهو فجوة نظرية لم يتم معالجتها سابقاً في أدبيات KAN الخاصة بالبقاء.
الفائدة العملية: نجحت الطريقة في التقاط التفاعلات المعقدة والتأثيرات المتغيرة زمنياً دون الحاجة لتحديد يدوي، متفوقة على أو مضاهاة أحدث النماذج في البيانات السريرية الواقعية.
القيود: يشير المؤلفون إلى أن نتائج التقارب تعتمد على الافتراض الهيكلي بأن لوغاريتم الخطر الحقيقي قابل للتمثيل بواسطة KAN، وهو ما قد لا ينطبق في جميع السيناريوهات الواقعية. بالإضافة إلى ذلك، تصف الضمانات النظرية السلوك التقاربي بدلاً من الأداء في العينات المحدودة. كما يقر البحث بوجود أوجه قصور معروفة في ممارسات اختبار نماذج تحليل البقاء القياسية.

في الختام، يثبت KAPLAN-HR أن شبكات KAN مناسبة جداً لتحليل البقاء، حيث توفر نموذجاً راسخاً نظرياً، ومتيناً من حيث الأبعاد، وتنافسياً من الناحية التجريبية.