📊 statistics

Distributionally Robust Transfer Learning with Structurally Missing Covariates, with Application to Cross-National Cardiac Arrest Prediction

تقدم هذه الورقة DRUM، وهو إطار عمل للتعلم الانتقالي المتين توزيعياً يعمل على تحسين أداء التنبؤ في الحالة الأسوأ للنماذج السريرية المنشورة في مجموعات سكانية مستهدفة ذات متغيرات مصاحبة مفقودة هيكلياً ولا توجد لها نتائج مصنفة، مما يظهر دقة معايرة وتصنيف متفوقة في التنبؤ بتوقف القلب عبر الدول مقارنة بالطرق الحالية.

المؤلفون الأصليون: Siqi Li, Chuan Hong, Ziye Tian, Benjamin Sieu-Hon Leong, Koshi Nakagawa, Hideharu Tanaka, Sang Do Shin, Khuong Quoc Dai, Do Ngoc Son, Marcus Eng Hock Ong, Nan Liu, Molei Liu

نُشر 2026-05-26

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Siqi Li, Chuan Hong, Ziye Tian, Benjamin Sieu-Hon Leong, Koshi Nakagawa, Hideharu Tanaka, Sang Do Shin, Khuong Quoc Dai, Do Ngoc Son, Marcus Eng Hock Ong, Nan Liu, Molei Liu

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 شيف ماهر طور وصفة مثالية لحساء عالمي مشهور. تعتمد هذه الوصفة على نوعين من المكونات:

المكونات الشائعة (X): أشياء مثل الملح، والماء، والجزر، والتي تمتلكها كل مطبخ في العالم.
المكونات الخاصة (A): توابل غريبة وآلات "سوس فيد" (sous-vide) عالية التقنية، لا يمتلكها سوى مطبخك الأصلي الفاخر.

في مطبخك المنزلي (المصدر)، تمتلك جميع المكونات ومختبِراً للتذوق ليخبرك ما إذا كان الحساء جيداً أم لا (النتيجة). تقوم بتدريب مساعدك الآلي "الشيف المساعد" ليتوقع الحساء المثالي باستخدام كل من المكونات الشائعة والخاصة معاً.

الآن، تريد إرسال هذه الوصفة إلى مطبخ جديد في بلد آخر (الهدف). ولكن هناك مشكلة:

المطبخ الجديد يمتلك فقط المكونات الشائعة (الملح، الماء، الجزر). ليس لديهم التوابل الخاصة أو الآلات الفاخرة.
والأسوأ من ذلك، أن المطبخ الجديد ليس لديه مختبر تذوق بعد. لا يمكنهم إخبارك ما إذا كان الحساء جيداً أم سيئاً، لذا لا يمكنك إعادة تدريب الذكاء الاصطناعي الخاص بك بناءً على ملاحظاتهم.
إذا أخبرت الذكاء الاصطناعي ببساطة أن يتجاهل التوابل المفقودة، فقد يكون طعم الحساء سيئاً للغاية لأن الذكاء الاصطناعي لن يعرف كيف يغير غياب تلك التوابل من ملف النكهة في هذه البيئة الجديدة.

هذا هو بالضبط ما تحله هذه الورقة البحثية. وقد أطلقوا على حلهم اسم DRUM.

المشكلة: المكونات "المفقودة هيكلياً"

في العالم الحقيقي، يحدث هذا مع البيانات الطبية. قد يستخدم نموذج تم تدريبه في الولايات المتحدة بيانات تفصيلية لما قبل المستشفى (مثل جرعات الأدوية الدقيقة أو مستويات حموضة الدم pH) للتنبؤ بما إذا كان مريض السكتة القلبية سيتعافى. ولكن عند محاولة استخدام هذا النموذج في آسيا، فإن تلك النقاط البيانية المحددة ببساطة غير موجودة في السجلات الطبية المحلية. الأمر ليس مجرد فقدان أو نقص في البيانات لبعض المرضى؛ بل هي مفقودة هيكلياً—أي أن النظام بأكمله لا يقوم بجمعها.

الطريقة القديمة مقابل طريقة DRUM

الطريقة القديمة (الاستكمال/Imputation):
حاولت الطرق السابقة تخمين المكونات المفقودة. كانوا يقولون: "حسناً، عادة ما يستخدم الناس 2 ملغ من الإبينفرين في الولايات المتحدة. دعونا نتظاهر بأن المرضى الآسيويين استخدموا أيضاً 2 ملغ".

العيب: هذا تخمين خطير. ماذا لو كان المرضى الآسيويون قد استخدموا بالفعل جرعة مختلفة، أو أن استجابتهم للدواء كانت مختلفة؟ إذا كان تخمينك خاطئاً، فإن تنبؤك سيكون خاطئاً.

طريقة DRUM (الأسوأ حالةً بشكل قوي/Robust Worst-Case):
تتبع DRUM نهجاً مختلفاً. بدلاً من تخمين قيمة واحدة محددة للمكونات المفقودة، تسأل: "ما هو أسوأ توزيع ممكن لهذه المكونات المفقودة، بناءً على ما نعرفه؟"

فكر في الأمر مثل مهندس سلامة يصمم جسراً.

هو لا يفترض فقط أن الرياح ستهب بسرعة 50 ميلاً في الساعة (المتوسط).
بل يفترض أن الرياح يمكن أن تهب بسرعة 80 ميلاً في الساعة، أو بنمط دوامي غريب لم يره من قبل.
ويقوم ببناء الجسر ليكون قوياً بما يكفي للتعامل مع هذا السيناريو الأسوأ.

تقوم DRUM بهذا الأمر بالنسبة للبيانات المفقودة. فهي تنشئ نسخة "الأسوأ حالاً" لتوزيع المكونات المفقودة، والتي تظل منطقية ولكنها تدفع بالحدود إلى أقصاها. ثم تدرب النموذج ليعمل بشكل جيد حتى لو تبين أن الواقع هو ذلك السيناريو الأسوأ.

كيف تعمل DRUM (المراحل الثلاث)

تعلم ملف النكهة (المرحلة 1):
أولاً، يتعلم الذكاء الاصطناعي كيف تعمل المكونات الخاصة (A) والمكونات الشائعة (X) معاً لإنتاج نتيجة جيدة في المطبخ الأصلي. إنه يبني خريطة معقدة لكيفية تفاعل كل شيء مع الآخر.
لعبة "الخصم" (المرحلة 2):
هذا هو الجزء الذكي. تستخدم DRUM ذكاءً اصطناعياً ثانياً ("مولداً") لمحاولة إنشاء نسخ مزيفة من المكونات المفقودة التي قد تجعل الذكاء الاصطنا الأول يفشل.

يحاول الذكاء الاصطناعي الأول التنبؤ بالنتيجة باستخدام المكونات الشائعة فقط.
يحاول الذكاء الاصطناعي الثاني ابتكار سيناريو للمكونات المفقودة يجعل التنبؤ أسوأ ما يمكن.
يلعبان لعبة: يتعلم الذكاء الاصطنا الأول أن يكون قوياً ضد حيل الذكاء الاصطناعي الثاني. يتعلم أن يقول: "حتى لو بدا شكل البيانات المفقودة غريباً أو مختلفاً عما اعتدت عليه، فسأظل أعطي تنبؤاً آمناً وموثوقاً".

إصلاح الأعطال (المرحلة 3):
بما أن الذكاء الاصطناعي يتعلم من التخمينات وسيناريوهات الحالة الأسوأ، فقد يصبح أحياناً "منحازاً" (مثل الميزان الذي يكون غير دقيق قليلاً). أضاف المؤلفون خطوة "تصحيح الانحياز". إنها تشبه معايرة ميزان باستخدام وزن معروف لضمان دقة الأرقام النهائية، حتى لو اضطر الذكاء الاصطناعي للقيام ببعض التخمينات المدروسة في طريقه.

الاختبار في العالم الحقيقي: السكتة القلبية

اختبر المؤلفون هذا على مشكلة طبية حقيقية: التنبؤ بما إذا كان مريض أصيب بسكتة قلبية خارج المستشفى سيستيقظ بدماغ سليم.

المصدر: قاعدة بيانات أمريكية تحتوي على بيانات غنية (جرعات الأدوية، فحوصات الدم).
الهدف: قواعد بيانات آسيوية حيث لم يتم تسجيل جرعات الأدوية المحددة أو فحوصات الدم تلك أبداً.

النتيجة:
عندما حاولوا استخدام الطرق القديمة، كانت التنبؤات غالباً "غير معايرة". وهذا يعني أن الذكاء الاصطناعي قد يقول: "هناك احتمال بنسبة 20% أن يتعافى هذا المريض"، بينما في الواقع، تعافى 4% فقط. كان الذكاء الاصطناعي مفرط الثقة.

أما DRUM، فقد أنتجت تنبؤات معايرة جيداً. فعندما قالت "احتمال 20%"، كانت أقرب بكثير إلى الحقيقة. لم تكتفِ بتخمين البيانات المفقودة، بل وضعت في اعتبارها عدم اليقين الناتج عن البيانات المفقودة، مما جعلها أداة أكثر أماناً للأطباء في البلدان ذات السجلات الطبية الأقل تفصيلاً.

الملخص

المشكلة: لديك نموذج ذكي تم تدريبه ببيانات تفصيلية، ولكنك تريد استخدامه في مكان لا تتوفر فيه تلك البيانات التفصيلية، ولا يمكنك إعادة تدريبه باستخدام تسميات (labels) جديدة.
الحل (DRUM): بدلاً من تخمين البيانات المفقودة، ابنِ نموذجاً مستعداً لـ أسوأ تخمين معقول لما يمكن أن تكون عليه تلك البيانات المفقودة.
الفائدة: إنها تنتج تنبؤات صادقة بشأن عدم اليقين الخاص بها وتظل دقيقة حتى عندما تتغير البيئة، دون الحاجة لمعرفة "المكونات السرية" للموقع الجديد.

ملخص تقني: التعلم الانتقالي المتين توزيعياً مع المتغيرات المفقودة هيكلياً

بيان المشكلة
يتناول البحث تحدياً حرجاً في نشر نماذج التنبؤ السريري عبر أنظمة رعاية صحية متنوعة: وهو السيناريو الذي يعتمد فيه نموذج تم تدريبه في بيئة "مصدر" (source) غنية بمجموعة شاملة من المتغيرات المستقلة $(X, A)$ ، على بيئة "هدف" (target) للتشغيل تفتقر تماماً إلى متغيرات مستقلة محددة وعالية القدرة التنبؤية $A$ نتيجة لاختلافات هيكلية في البنية التحتية لجمع البيانات. وخلافاً للبيانات المفقودة القياسية حيث تكون الملاحظات الفردية غير مكتملة، يمثل هذا "الفقد الهيكلي" غياباً للمتغيرات على مستوى المجتمع ككل. علاوة على ذلك، غالباً ما تفتقر نطاقات الهدف إلى بيانات النتائج المصنفة (labeled data)، مما يحول دون إمكانية التكيف الخاضع للإشراف أو إعادة التدريب.

تفشل الأساليب الحالية في هذا السياق؛ فأساليب الاستكمال (Imputation) تتطلب افتراضات غير قابلة للاختبار حول توزيع $A$ في نطاق الهدف، وتصحيحات انزياح المتغيرات (مثل أوزان الأهمية) تعالج فقط الاختلافات في المتغيرات المرصودة $X$ ولا يمكنها استعادة المعلومات المفقودة من غياب $A$ . كما أن التحسين المتين توزيعياً (DRO) التقليدي يبني عادةً مجموعات عدم يقين فوق التوزيع المشترك لجميع المتغيرات، وهو أمر مفرط في التحفظ ويفشل في التمييز بين المتغيرات المرصودة المستقرة والمتغيرات المفقودة هيكلياً.

المنهجية: إطار عمل DRUM
يقترح المؤلفون إطار عمل DRUM (التعلم الانتقالي غير الخاضع للإشراف المتين توزيعياً مع المتغيرات المفقودة هيكلياً)، وهو إطار مصمم لنقل نماذج التنبؤ إلى مجتمعات هدف غير مصنفة حيث يغيب المتغير $A$ . الفلسفة الجوهرية هي التحسين من أجل أسوأ أداء تنبؤي ممكن عبر مجموعة عدم يقين للتوزيع الشرطي المجهول $A|X$ في نطاق الهدف، بدلاً من محاولة استكمال $A$ أو افتراض استقرار $A|X$ .

تتم المنهجية عبر ثلاث مراحل:

صياغة المشكلة:
الهدف هو تعلم متنبئ $m(X)$ باستخدام المتغيرات المشتركة $X$ فقط. يصيغ المؤلفون ذلك كمسألة "مينيمكس" (minimax):
$\min_{m(\cdot)} \max_{P_{A|X} \in \mathcal{C}(\delta)} \mathbb{E}_{X \sim Q_X, A \sim P_{A|X}, Y \sim P^S_{Y|X,A}} \left[ Y^2 - (Y - m(X))^2 \right]$
هنا، $\mathcal{C}(\delta)$ هي مجموعة عدم يقين للتوزيعات الشرطية لـ $A|X$ في النطاق المستهدف، ويتم التحكم فيها بواسطة معامل المتانة $\delta$ . تهدف الدالة إلى تعظيم أسوأ حالة لتقليل الخطأ التربيعي بالنسبة لمتنبئ صفري.
التمثيل القائم على المولد (Generator) والتحسين المتين توزيعياً (DRO):
إن التحسين المباشر عبر الفضاء اللانهائي الأبعاد للتوزيعات الشرطية هو أمر غير قابل للحل حسابياً. لذا يقوم DRUM بتمثيل التوزيع الشرطي $A|X$ باستخدام شبكة عصبية مولدة $g_\phi(X, \epsilon)$ ، حيث $\epsilon$ هو ضجيج كامن.

مجموعة عدم اليقين: يتم تعريف مجموعة عدم اليقين باستخدام مسافة الطاقة (Energy Distance) (عبر إطار عمل Engression). تحتوي المجموعة $\mathcal{C}_g(\delta)$ على مولدات ينحرف مقياس طاقتها عن المولد الشرطي للمصدر $g^S$ بمقدار $\delta$ كحد أقصى. وهذا يسمح للنموذج باستكشاف التوزيعات الشرطية التي تبتعد عن المصدر دون الحاجة لتقدير الكثافة.
التحسين: يتم حل المسألة عبر نهج "الأساسي-المزدوج" (primal-dual). يتم تدريب "مولد الحالة الأسوأ" لتقليل متوسط خطأ التربيع المربع المتوقع على $X$ في النطاق المستهدف (من خلال الهامش فوق $A$ المولدة)، مع مراعاة قيد مسافة الطاقة.

تصحيح الانحياز (Neyman Orthogonality):
حدد المؤلفون أن "المقدر المباشر" (plug-in estimator) (الذي يجمع بين متوسط نموذج نتيجة المصدر $\hat{f}(X, A)$ فوق $A$ المولدة) يرث انحيازات من الدرجة الأولى من تقدير $\hat{f}$ . وللتخفيف من ذلك، اشتقوا مقدراً مصححاً للانحياز يعتمد على تقدير "نيمان المتعامد" (Neyman-orthogonal) والتدقيق المتقاطع (cross-fitting).

قاموا ببناء نتيجة وهمية (pseudo-outcome) $F_i$ تجمع بين بقايا المصدر (المعاد وزنها بنسبة كثافة $\hat{\omega}$ لتطابق التوزيع الناتج عن المولد) وتنبؤات الإدخال (plug-in) للنطاق المستهدف.
يؤدي الانحدار لهذه النتيجة الوهمية على $X$ إلى الحصول على مقدر متين تجاه أخطاء الدوال المساعدة ( $\hat{f}$ و $\hat{\omega}$ )، مما يحقق معدلات تقارب بارامترية تحت شروط "حاصل الضرب للمعدلات".

المساهمات الرئيسية

إطار عمل DRO جديد للفقد الهيكلي: يعزل DRUM عدم اليقين تحديداً في التوزيع الشرطي $A|X$ بدلاً من التوزيع المشترك، مستخدماً نموذجاً توليدياً لتمثيل مجموعة عدم اليقين. يتجنب هذا التعقيد في التحسين ذو الأبعاد اللانهائية.
التقدير المصحح للانحياز: اشتق المؤلفون مقدراً منزوع الانحياز يقلل من الحساسية لأخطاء تقدير الدوال المساعدة، مما يحسن بشكل كبير من أداء العينات المحدودة في المحاكاة والتطبيقات الواقعية.
التطبيق على التنبؤ بحالات توقف القلب خارج المستشفى (OHCA) عبر الدول: تم تطبيق إطار العمل للتنبؤ بالنتائج العصبية بعد توقف القلب خارج المستشفى (OHCA)، عبر نقل النماذج من سجل US-ROC (الغني بالبيانات قبل المستشفى) إلى سجلات PARAS الآسيوية (حيث تغيب متغيرات مثل جرعة الإبينفرين أو درجة حموضة الدم هيكلياً).

النتائج

المحاكاة: في الإعدادات ذات العلاقات الشرطية الخطية وغير الخطية وأبعاد مختلفة للمتغيرات المفقودة، تفوق DRUM (خاصة النسخ منزوعة الانحياز) بشكل كبير على المعايير القياسية (ERM، DRO، وأوزان الأهمية) وطرق استكمال العلامات الوهمية. حقق DRUM متوسط خطأ تربيعي (MSE) أقل في كل من المتوسط والأسوأ تحت درجات متفاوتة من انزياح التوزيع.
التطبيق الواقعي (OHCA):
- المعايرة: عند تطبيقه على سنغافورة واليابان وكوريا، قدم DRUM تنبؤات أفضل معايرة بكثير من المعايير الأخرى. كانت المعايير القياسية تتنبأ بشكل منهجي بنتائج إيجابية مبالغ فيها بسبب انزياح الانتشار والمتغيرات المفقودة، بينما تتبع DRUM معدلات الأحداث المرصودة بشكل أقرب.
- الأداء: حققت نسخ DRUM-Debiased أدنى درجات Brier score وأقل خطأ معايرة متوقع (ECE) عبر جميع المواقع.
- المنفعة السريرية: عند عتبات الاحتمالية الثابتة ذات الصلة بالفرز السريري، أظهر DR thought DRUM-Debiased دقة ونوعية (specificity) أعلى، مما يشير إلى أن الاحتمالات المعايرة تؤدي إلى تصنيفات إيجابية أكثر موثوقية مقارنة بالمعايير التي عانت من معدلات عالية في الإيجابيات الكاذبة بسبب سوء المعايرة.

الأهمية والادعاءات
يدعي البحث أن DRUM يوفر بديلاً مبدئياً للثنائية الحالية في نشر الذكاء الاصطنا_السريري: إما تقييد النماذج بالمواقع ذات البنية التحتية المتطابقة للبيانات، أو التخلص من المعلومات التنبؤية عبر تجاهل المتغيرات المفقودة. من خلال مراعاة عدم اليقين في التوزيع الشرطي غير الملحوظ $A|X$ صراحةً دون الاعتماد على افتراضات غير قابلة للاختبار، يتيح DRUM نشر النماذج عالية الموارد في البيئات منخفضة الموارد.

يؤكد المؤلفون أن الميزة الأساسية لمنهجيتهم تكمن في المعايرة وتصنيف المخاطر (Brier score، ECE، ودقة العتبة الثابتة)، وليس في التمييز العالمي (AUROC)، وهو ما يتوافق مع هدف "الحالة الأسوأ" الذي يعاقب الخطأ التربيعي. يُقدم إطار العمل كحل عام لأي مشكلة تعلم انتقالي حيث تتوفر المتغيرات التنبؤية أثناء التدريب ولكنها تغيب أو تتقلص عند التشغيل، مع إمكانية التوسع ليشمل العدالة الخوارزمية وتنبؤ استقرار الأدوية.

يظل البحث متواضعاً فيما يتعلق بالقيود، حيث يشير إلى أن تمثيل المولد الحالي يفترض متغيرات مستمرة، وأن الإطار يتعامل حالياً مع مجتمع مصدر واحد، وأن الاشتقاق يركز على خسائر الخطأ التربيعي والاعتراض المتقاطع. تشمل الاتجاهات المستقبلية التعامل مع المتغيرات المستمرة/المختلطة، والتعلم الاتحادي (Federated Learning) مع مصادر متعددة، والبيانات المهيكلة مثل "الوقت حتى وقوع الحدث".

المشكلة: المكونات "المفقودة هيكلياً"

الطريقة القديمة مقابل طريقة DRUM

كيف تعمل DRUM (المراحل الثلاث)

الاختبار في العالم الحقيقي: السكتة القلبية

الملخص

أبحاث مشابهة