Hybrid Machine Learning-Assisted Raman Spectroscopy with Generative Feature Augmentation for Pharmaceutical Identification
تقدم هذه الورقة HyMLRaman، وهو إطار عمل هجين يجمع بين استخراج الميزات العميقة من نموذج EfficientNet-B3 مع مصنفات التعلم الآلي الكلاسيكية والتعزيز التوليدي القائم على نماذج الانتشار التكرارية (DDPM) لتحقيق تحديد عالي الدقة لستة مركبات صيدلانية من أطياف رامان، حتى في ظل ظروف البيانات المحدودة.
المؤلفون الأصليون:Quach Thi Thai Binh, Ton Nu Quynh Trang, Thang B. Phan, Vu Thi Hanh Thu, Nguyen Tuan Hung
في الزوايا الهادئة لإمداداتنا الغذائية، وأنظمة المياه، وحتى العينات السريرية، غالبًا ما تتبقى آثار من الأدوية في أماكن لا ينبغي أن تكون فيها. هذه البقايا الصيدلانية، وهي بقايا أدوية مثل المضادات الحيوية والمسكنات، تشكل تهديدًا متزايدًا للصحة العامة والسلامة البيئية. ويعد الكشف عنها بسرعة ودقة تحديًا حاسمًا للعلماء والمنظمين. ومن الأدوات القوية لهذه المهمة تقنية مطيافية رامان (Raman spectroscopy)، وهي تقنية تعمل مثل ماسح لبصمة جزيئية. فعندما يصطدم الضوء بجزيء ما، فإنه يتشتت في نمط فريد يكشف عن الروابط الكيميائية المحددة التي تمسك ذلك الجزيء معًا. وتتميز هذه الطريقة بأنها سريعة، وغير مدمرة، وقادرة على تحديد المواد دون لمسها. ومع ذلك، يمكن أن تكون البيانات الخام الناتجة عن هذه الماسحات فوضوية ومتغيرة، مما يجعل من الصعب على البرامج الحاسوبية التقليدية فرز الضجيج والعثور على الإشارة الحقيقية. ولحل هذه المشكلة، يتجه الباحثون إلى نهج جديد يمزج بين قوة التعرف على الأنماط للذكاء الاصطناو الحديث وبين اتخاذ القرار الموثوق للطرق الإحصائية القديمة والمثبتة.
لقد طور فريق من الباحثين نظامًا جديدًا يسمى HyMLRaman، مصمم لتحديد ستة مركبات صيدلانية شائعة — أموكسيسيلين، وكلورامفينيكول، وسيبروفلوكساسين، وتتراسايكلين، وإيبوبروفين، وباراسيتامول — مباشرة من بيانات طيف رامان الخاصة بها. وبدلاً من الاعتماد على نوع واحد من النماذج الحاسوبية، بنى الفريق إطارًا هجينًا يستخدم أولاً شبكة عصبية عميقة لترجمة أنماط الضوء الخام إلى ملخص موجز وعالي المستوى. ثم يقومون بتغذية هذا الملخص في مجموعة متنوعة من مصنفات تعلم الآلة الكلاسيكية، مثل آلات المتجهات الداعمة (support vector machines) والغابات العشوائية (random forests)، لاتخاذ التحديد النهائي. وقد أثبتت هذه العملية ذات الخطوتين فعاليتها العالية؛ فمن خلال تحويل البيانات الطيفية إلى تنسيق يسلط الضوء على الميزات الكيميائية الأكثر أهمية، حقق النظام دقة بلغت 96.31% في التمييز بين الأدوية الستة المختلفة. وكان هذا الأداء أفضل بكثير من استخدام الشبكة العصبية العميقة وحدها، مما يشير إلى أن الجمع بين قوة استخراج الميزات للذكاء الاصطناعي الحديث واستقرار اتخاذ القرار للخوارزميات الكلاسيكية يخلق أداة أكثر قوة للفحص في العالم الحقيقي.
واجه الباحثون عقبة شائعة في جمع البيانات العلمية: وهي كمية محدودة من مواد التدريب. ولرؤية ما إذا كان بإمكان نظامهم العمل أيضًا عندما تكون البيانات شحيحة، أدخلوا مكونًا توليديًا يعتمد على نموذج الانتشار (diffusion model). هذا الجزء من النظام لا ينشئ صورًا جديدة للأدوية؛ بل يتعلم العلاقات الرياضية بين نقاط البيانات الموجودة ويولد نسخًا اصطناعية جديدة من الميزات الرئيسية التي تصف الأدوية. ثم يتم تصفية هذه الميزات الاصطناعية بعناية لضمان كونها واقعية ومتسقة مع البيانات الأصلية قبل إضافتها إلى مجموعة التدريب. وأظهرت النتائج أن هذا التعزيز لم يكن حلًا سحريًا يحسن جميع السيناريوهات بالتساوي؛ فقد قدم فوائد أكثر أهمية عندما كانت بيانات التدريب صغيرة جدًا، وخاصة من خلال مساعدة نوع معين من المصنفات يُعرف بخوارزمية "الجار الأقرب" (nearest-neighbor algorithm) على الأداء بشكل أفضل. ومع ذلك، عندما كان لدى النظام إمكانية الوصول إلى مجموعة بيانات كاملة، لم تقدم الإضافات الاصطناعية أي ميزة تذكر أو فائدة، مما يشير إلى أن هذه التقنية تُستخدم كشبكة أمان للحالات التي تكون فيها البيانات نادرة بدلاً من كونها بديلًا قياسيًا للقياسات الحقيقية.
ولإثبات أن هذا الإطار يمكنه تجاوز المحاكاة الحاسوبية والانتقال إلى الاستخدام العملي، بنى الفريق تطبيقًا فعالاً يسمى "محلل الأدوية بطيف رامان" (Raman Pharmaceutical Analyzer). يقوم هذا البرنامج بأخذ طيف رامان خام من عينة تم قياسها تجريبيًا ويعرض فورًا هوية الدواء المتوقع، ومستوى الثقة في ذلك التوقع، وخريطة بصرية توضح الأجزاء التي أثرت في القرار من نمط الضوء. وعند اختباره على عينات مستقلة من الباراسيتامول، والسيبروفلوكساسين، والإيبوبروفين، والتتراسايكلين التي لم يسبق للنموذج رؤيتها من قبل، حدد النظام المركبات بشكل صحيح بمستويات ثقة تتجات 98%. وأكدت الخرائط البصرية أن النظام كان يركز على المناطق ذات المعنى الكيميائي المحدد في الطيف بدلاً من التخمين العشوائي. ويشير هذا العرض إلى أن إطار HyMLRaman يقدم مسارًا عمليًا، وقابلًا للتفسير، وموثوقًا للفحص السريع للمخلفات الصيدلانية، محولًا أنماط الضوء المعقدة إلى معلومات واضحة وقابلة للتنفيذ لحماية الصحة العامة.
بيان المشكلة يعد التحديد السريع والموثوق لبقايا الأدوة (تحديداً الأموكسيسيلين، والكلورامفينيكول، والسيبروفلوكساسين، والتتراسيكلين، والإيبوبروفين، والباراسيتامول) أمراً بالغ الأهمية للصحة العامة وسلامة الغذاء. وبينما يوفر مطياف رامان أداة تحليلية نوعية للجزيئات وغير مدمرة، فإن التطبيق العملي يعوقه التباين الطيفي والقيود المفروضة على مناهج الكيمياء القياسية التقليدية. غالباً ما تعتمد الدراسات الحالية على نموذج نمذجة واحد — إما التعلم الآلي (ML) الكلاسيكي الذي يتطلب هندسة ميزات يدوية، أو التعلم العميق (DL) الذي يعمل كمصنف مستقل — مما يؤدي إلى الفشل في الاستفيد من نقاط القوة المتكاملة لكليهما. علاوة على ذلك، تواجه العديد من التطبيقات تحديات تتعلق بمحدودية بيانات التدريب.
المنهجية يقترح المؤلفون HyMLRaman، وهو إطار عمل هجين يدمج استخراج الميزات الطيفية العميقة مع مصنفات التعلم الآلي الكلاسيكية والتعزيز التوليدي للميزات. تمر المنهجية عبر المراحل التالية:
1. المعالجة المسبقة للبيانات وبناء الصور:
تم تجميع مجموعة بيانات مكونة من 1,003 صورة طيفية رامان من مصادر متاحة علنًا تحت ظروف قياس متقاربة.
تمت إعادة تشكيل الأطياف إلى صور رمادية بحجم 128 × 128 (محولة إلى تنسيق ثلاثي القنوات) لتعمل كمدخلات للشبكات العصبية العميقة.
2. استخراج الميزات العميقة:
تم تقييم العديد من البنى المتطورة كأدوات لاستخراج الميزات: الشبكات العصبية الالتفافية (CNNs) مثل (EfficientNet-B0, EfficientNet-B3, RegNetY-400M) ومحول الرؤية (ViT-B16).
تم تحديد EfficientNet-B3 كبنية أساسية (backbone) مثالية، حيث تفوقت على غيرها في التصنيف المستقل بنسبة دقة بلغت 89.60%.
استُخدمت طبقة التجميع المتوسط العالمي (global average pooling) لنموذج EfficientNet-B3 لتوليد تضمينات (embeddings) ذات 1536 بُعداً، مما خلق فضاء ميزات موحداً للمهام اللاحقة.
3. التصنيف الهجين:
تم تغذية التضمينات (1536-D) إلى ستة مصنفات تعلم آلي كلاسيكية: آلة ناقلات الدعم (SVM)، و k-أقرب جار (KNN)، والانحدار اللوجستي (LR)، والغابة العشوائية (RF)، وXGBoost، وشبكة عصبية اصطناعية (ANN) ضحلة.
تم تقييم الأداء باستخدام التحقق المتقاطع الطبقي ذو الـ 10 طيات (stratified 10-fold cross-validation).
كما تم تنفيذ شبكة عصبية تلافيفية (1D CNN) على مستوى التضمين كخط أساس عصبي للمقارنة.
4. تعزيز الميزات التوليدي (DDPM):
لمعالجة سيناريوهات البيانات المحدودة، تم تدريب نموذج الانتشار لإزالة الضجيج (DDPM) ضمن فضاء كامن مختزل بواسطة تحليل المكونات الرئيسية (PCA) (64 بُعداً) من تضمينات EfficientNet-B3.
يقوم نموذج DDPM بتوليد مرشحات ميزات اصطناعية مشروطة بالفئة.
استراتيجية التصفية: لم تُضف العينات المولدة بشكل عشوائي إلى مجموعة التدريب، بل خضعت لعملية تصفية من خطوتين:
ثقة المصنف: تحقق نموذج الانحدار اللوجستي من أن الفئة المتوقعة للعينة المولدة تطابق الفئة الشرطية باحتمالية ≥0.85.
اتساق أقرب جار: يجب أن تقع العينة ضمن عتبة مسافة (dthr) من التوزيع الأصلي للتدريب الخاص بتلك الفئة.
تم دمج العينات المصفاة فقط مع البيانات الأصلية لإعادة تدريب المصنفات في دراسات الاستئصال (ablation studies) لكسور البيانات (25%، 50%، 75%).
5. نشر التطبيق:
تم دمج مسار EfficientNet-B3–SVM المدرب في محلل أدوية رامان (واجهة PyQt) لإظهار الاستدلال في الوقت الفعلي على عينات اختبار مستقلة تم قياسها تجريبياً.
النتائج الرئيسية
الأداء الهجين مقابل المستقل: تفوق النهج الهجين بشكل كبير على التعلم العميق المستقل. بينما حقق EfficientNet-B3 وحده دقة 89.60%، حقق تكوين EfficientNet-B3–SVM دقة بلغت 96.31% ودرجة F1-macro بلغت 96.36%. كما تجاوزت النماذج الهجبية الأخرى (ANN, LR, XGBoost) دقة 94%، بينما حقق خط الأساس CNN على مستوى التضمين 92.62% فقط.
مقارنة المصنفات: وفرت SVM الأداء الأكثر قوة وتوازناً عبر جميع فئات الأدوية الست. أظهر KNN وRF نتائج أقل قليلاً ولكنها تنافسية.
استئصال البيانات المنخفضة (DDPM): كان تأثير تعزيز DDPM انتقائياً ومعتمداً على المصنف، وليس عالمياً:
أظهر KNN تحسناً أكثر اتساقاً في سيناريوهات البيانات المنخفضة (على سبيل المثال، +0.795% في الدقة عند كسر بيانات 50%)، مستفيداً من توزيع الميزات الأكثر كثافة.
أظهرت SVM مكاسب طفيفة في حالات محددة من البيانات المنخفضة، لكنها ظلت مستقرة بشكل عام.
أظهرت نماذج LR وXGBoost وANN غالباً تراجعاً طفيفاً في الأداء أو تغيرات ضئيلة عند التعزيز، مما يشير إلى أن الميزات الاصطناعية لم تتوافق جيداً مع حدود القرار الخاصة بها.
عند كسر بيانات 100%، قدم التعزيز فائدة ضئيلة، مما يؤكد أن فائدته تكمن أساساً في ظروف البيانات المتناثرة.
التمييز على مستوى الفئة: كشفت مصفوفات الارتباك وتحليلات ROC-AUC أن النماذج الهجينة حافظت على استدعاء (recall) عالٍ عبر جميع الفئات. حققت SVM قيم AUC للفئات تتراوح بين 0.995 و0.999. وكان الارتباك المتبقي الأكثر أهمية يحدث بين المركبات المتشابهة طيفياً مثل الإيبوبروفين والباراسيتامول، خاصة في نماذج KNN.
التحقق من التطبيق: نجح محلل أدوية رامان في تحديد عينات تجريبية مستقلة (مثل الباراسيتامول) بثقة >98%، مع توفير خرائط استجابة طيفية قابلة للتفسير.
الأهمية والادعاءات يزعم البحث أن HyMLRaman يوفر مساراً عملياً وقابلاً للتفسير للفحص السريع للأدوية. وتتمثل مساهماته الرئيسية في:
البنية الهجينة: إثبات أن الجمع بين مستخرجي الميزات العميقة (EfficientNet-B3) مع مصنفات كلاسيكية قائمة على الهامش (SVM) يعطي متانة ودقة فائقتين مقارنة بنماذج التعلم العميق الصرفة أو مسارات التعلم الآلي الكلاسيكية لبيانات رامان.
التعزيز المستهدف: إثبات أن تعزيز الميزات التوليدي عبر DDPM في فضاء كامن هو استراتيجية قابلة للتطبيق لسيناريوهات البيانات المحدودة، ولكن فعاليتها تعتمد بشدة على المصنف اللاحق (وهي أكثر فائدة للطرق القائمة على المسافة مثل KNN).
الجدوى: إثبات إمكانية دمج هذه النماذج في سير عمل تفاعلي للاستدلال في الوقت الفعلي في الموقع، مما يسد الفجوة بين أداء النموذج النظري والتطبيق العملي.
يحافظ المؤلفون على موقف متواضع، مشيرين إلى أنه بينما يعد الإطار واعداً، فإن هناك حاجة لمزيد من التحقق باستخدام عينات خارجية تم جمعها حديثاً قبل النشر العملي الواسع النطاق. لا يدعي العمل استبدال الأدلة الكيميائية، بل يقدم أداة فحص سريعة وعالية الثقة مدعومة بميزات طيفية قابلة للتفسير.