Explainable AI for Chronic Kidney Disease Prediction Using Simulated Federated Learning

ملخص تقني: الذكاء الاصطناعي القابل للتفسير للتنبؤ بمرض الكلى المزمن باستخدام التعلم الاتحادي المحاكي

بيان المشكلة
يمثل مرض الكلى المزمن (CKD) تحدياً كبيراً في مجال الصحة العامة، حيث يتميز بالفقدان التدريجي لوظائف الكلى. ويعد الكشف المبكر أمراً حاسماً لمنع المضاعفات الخطيرة وتحسين نتائج المرضى. ومع ذلك، فإن تطوير نماذج تنبؤ موثوقة يتطلب غالباً تجميع بيانات حساسة للمرضى من مؤسسات رعاية صحية متعددة، مما يثير مخاوف كبيرة تتعلق بالخصوصية. وتتطلب أساليب التعلم الآلي المركزية التقليدية مشاركة البيانات الخام مع أطراف ثالثة، مما يخلق عوائق أمام التعاون وأمن البيانات. علاوة على ذلك، وبينما توجد نماذج عالية الدقة، فإن طبيعة "الصندوق الأسود" للعديد من الخوارزميات المتقدمة تعيق الثقة والاعتماد في البيئات السريرية حيث تكون الشفافية أمراً بالغ الأهمية.

المنهجية
تقترح هذه الدراسة إطار عمل يدمج التعلم الاتحادي (Federated Learning) مع أساليب التعلم الآلي التجميعي (Ensemble Learning) والذكاء الاصطناعي القابل للتفسير (XAI) للتنبؤ بمرض الكلى المزمن مع الحفاظ على خصوصية البيانات. تمر المنهجية عبر المراحل التالية:

1. البيانات والتحضير المسبق: استخدم البحث مجموعة بيانات سريرية تضم 400 سجلاً للمرضى تحتوي على 14 متغيراً تنبؤياً طبياً (مثل ضغط الدم، الهيموجلوبين، كرياتينين المصل) وتسمية فئة ثنائية. ولمعالجة عدم توازن الفئات (62.5% لمرض الكلى مقابل 37.5% لغير المصابين)، تم تطبيق تقنية الإفراط في أخذ العينات من الأقلية الاصطناعية (SMOTE)، مما أدى إلى توسيع مجموعة البيانات إلى 500 عينة.
2. بنية التعلم الاتحادي: قامت الدراسة بمحاكاة بيئة اتحادية مكونة من ثلاثة عملاء متميزين. تم تقسيم مجموعة البيانات إلى ثلاثة أجزاء باستخدام التقسيم الطبقي للحفاظ على توزيع الفئات.
   • التدريب المحلي: قام كل عميل بتدريب نماذج محلية باستخدام ثلاث خوارواميات تجميعية هي: الغابة العشوائية (Random Forest)، وAdaBoost، وXGBoost.
   • التحسين: تم استخدام GridSearchCV في جانب العميل لأتمتة ضبط المعلمات الفائقة ومنع الإفراط في التخصيص (Overfitting).
   • اختيار النموذج: لكل عميل، تم اختيار الخوارزمية التي حققت أعلى دقة في مجموعة الاختبار المحلية كنموذج محلي أمثل.
3. التجميع العالمي: قام خادم مركزي بتجميع النماذج المحلية المختارة باستخدام مصنف التصويت الموزون (Weighted VotingClassifier). وتم تخصيص الأوزان لكل نموذج بما يتناسب مع دقة الاختبار المحلية الخاصة به، مما يضمن أن النماذج ذات الأداء الأعلى تمارس تأثيراً أكبر على التنبؤ العالمي.
4. القابلية للتفسير: لتعزيز الشفافية، تم تطبيق التفسيرات المحلية القابلة للتفسير والمستقلة عن النموذج (LIME) لتفسير تنبؤات النموذج العالمي، وتحديد مساهمات الميزات للحالات الفردية.
5. التقييم: تم تقييم النظام باستخدام الدقة (Accuracy)، والاستدعاء (Recall)، والدقة التنبؤية (Precision)، ومقياس F1-Score، جنباً إلى جنب مع التحقق المتقاطع خماسي الطيات (5-fold cross-validation) لتقييم القدرة على التعميم.

المساهمات الرئيسية

• التعلم التجميعي الحافظ للخصوصية: تُظهر الدراسة إطار عمل اتحادياً محاكياً حيث يتم دمج RF وAdaBoost وXGBoost دون مشاركة بيانات المرضى الخام، مما يعالج قيود الخصوصية في الرعاية الصحية.
• تحسين النموذج الهجين: من خلال استخدام GridSearchCV لتحسين المعلمات المحلية وWeighted VotingClassifier للتجميع العالمي، يستفيد هذا النهج من نقاط القوة لعدة طرق تجميعية.
• دمج الذكاء الاصطناعي القابل للتفسير (XAI): يوفر دمج LIME قابلية التفسير، مما يسمح لأصحاب المصلحة بفهم المنطق وراء تنبؤات مرض الكلى المزمن، وبالتحديد تسليط الضوء على مساهمة ميزات مثل مستويات الهيموجلوبين والسكر.

النتائج

• الأداء المحلي: في العملاء المحاكيين، حققت الغابة العشوائية (Random Forest) دقة بنسبة 100% في جميع المقاييس للعميل الأول. بالنسبة للعميلين 2 و3، حققت أفضل النماذح أداءً (AdaBoost وXGBoost على التوالي) دقة تقارب 97%، واستدعاء بنسبة 100%، ودقة تنبؤية بنسبة 94%، ومقياس F1 بنسبة 97%.
• أداء النموذج العالمي: حقق النموذج العالمي المجمع متوسط دقة قدره 99%. وتحديداً، بالنسبة للفئة 0 (غير المصابين)، حقق النموذج دقة تنبؤية بنسبة 98% واستدعاء بنسبة 100%. وبالنسبة للفئة 1 (المصابين بمرض الكلى)، حقق دقة تنبؤية بنسبة 100% واستدعاء بنسبة 98%. وبلغ مقياس F1 لكلا الفئتين 99%.
• التحقق المتقاطع: أكد التحقق المتقاطع خماسي الطيات قوة النموذج، حيث تراوحت درجات الدقة بين 96% و100% عبر الطيات، مع وصول الطيتين 3 و5 إلى 100%.
• أهمية الميزات: كشف تحليل LIME أن مستويات الهيموجلوبين (تحديداً الفترة 11.30 < Hemo ≤ 13.23) وحالة ارتفاع ضغط الدم كانت مساهمات كبيرة في عملية اتخاذ القرار للنموذج.

الأهمية والادعاءات
يزعم البحث أن إطار العمل المقترح نجح في الموازنة بين الأداء التنبؤي العالي وخصوصية البيانات وقابلية تفسير النموذج. ومن خلال تحقيق دقة بنسبة 99%، تسلط الدراسة الضوء على إمكانات نماذج التعلم الاتحادي القابلة للتفسير لدعم التشخيص المبكر لمرض الكلى المزمن دون المساس بسرية المريض. ويؤكد المؤلفون أن هذا النهج يعزز الحلول الصحية القائمة على البيانات من خلال تقديم بديل موثوق وشفاف وحافظ للخصوصية لجمع البيانات المركزية. وتخلص الدراسة إلى أن هذه النماذج يمكن أن تقلل الاعتماد على الاختبارات السريرية المكثفة للكشف المبكر، رغم أنها تشير إلى ضرية الحاجة إلى عمل مستقبلي للتحقق من هذه النتائج على مجموعات بيانات أكبر وأكثر تنوعاً لضمان قابلية التطبيق السريري الأوسع.