Modeling healthy proteomic profiles for anomaly detection using subspace learning based one-class classification
تقدم هذه الورقة إطار عمل للتصنيف من فئة واحدة في الفضاء الجزئي يعتمد كلياً على البيانات، والذي يعمل على نمذجة ملامح البروتينات في البلازما السليمة للكشف بقوة عن أمراض متنوعة دون الحاجة إلى عينات تدريبية مصابة، مما يتغلب على تحديات عدم توازن الفئات في البيانات السريرية عالية الأبعاد.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
تخيل أن لديك مكتبة ضخمة تحتوي على آلاف الكتب المختلفة (البروتينات) الموجودة في قطرة من الدم. في الشخص السليم تماماً، تكون هذه الكتب مرتبة بنظام محدد ومتناغم للغاية؛ وهذا هو "الملف الصحي".
المشكلة التي يواجهها الأطباء هي أن هناك ملايين الطرق التي يمكن أن يمرض بها الإنسان (سرطان، فيروسات، إلخ)، ومع كل نوع من أنواع المرض، يتم إعادة ترتيب الكتب بطريقة فوضوية مختلفة تماماً. إن محاولة تعليم كمبيوتر التعرف على كل شكل ممكن من أشكال الفوضى أمر مستحيل، لأن هناك أنواعاً كثيرة جداً من الأمراض ولا يوجد عدد كافٍ من المرضى لدراسة كل نوع منها.
حل الورقة البحثية: محقق "المعيار الصحي الأساسي"
بدلاً من محاولة حفظ كل طريقة ممكنة لمرض الشخص، قرر الباحثون القيام بالعكس؛ لقد علموا الكمبيوتر الخاص بهم كيف يصبح خبيراً فقط في شكل "الصحة".
إليك كيف فعلوا ذلك، باستخدام تشبيه بسيط:
1. مشكلة "الغرفة المزدحمة" (الأبعاد العالية)
تخيل أنك تحاول العثور على شخص معين في ملعب مليء بـ 10,000 شخص، حيث يرتدي الجميع قمصاناً وقبعات وأحذية ذات ألوان مختلفة. هذه معلومات كثيرة جداً لا يمكن معالجتها دفعة واحدة.
- الحل: استخدم الباحثون تقنية تسمى "تعلم الفضاء الجزئي" (subspace learning). فكر في الأمر كأنك ترتدي نظارات ثلاثية الأبعاد خاصة تعمل على تصفية الضجيج. بدلاً من النظر إلى كل تفصيل (القميص، القبعة، الحذاء)، تقوم هذه النظارات بتكثيف الحشد في نمط بسيط وواضح. لقد وجدوا أنه رغم وجود آلاف البروتينات، إلا أن البروتينات "الصحية" تتبع في الواقع بعض القواعد البسيطة والأساسية. لقد قاموا بضغط البيانات المعقدة إلى شكل أصغر وأسهل في الفهم.
2. محقق "الفئة الواحدة" (كشف الشذوذ)
عادةً، للإمساك بمجرم، يجب أن تري الشرطي صوراً للعديد من المجرمين المختلفين. لكن هنا، لم يكن لدى الباحثين صور كافية لـ "المجرمين" (المرضى) لأن أنواع الأمراض كثيرة جداً.
- الحل: استخدموا طريقة تسمى "التصنيف من فئة واحدة" (One-Class Classification). تخيل حارس أمن لم يرَ لصاً من قبل؛ بدلاً من ذلك، تم تدريب الحارس فقط على ما يبدو عليه "الضيف الصحي الطبيعي". إذا دخل أي شخص لا يتوافق مع نمط "الضيف الصحي" المثالي، سيطلق الحارس الإنذار. لا يحتاج الكمبيوتر لمعرفة نوع المرض الذي يعاني منه الشخص، بل يكفيه أن يعرف أن هذا الشخص لا يبدو "صحيّاً".
3. الإعدادات "ذاتية التعلم" (المعلمات القائمة على البيانات)
عادةً، عندما تقوم بضبط إعدادات آلة معقدة، يتعين عليك تعديل المقابض والأزرار (المعلمات الفائقة - hyperparameters) بناءً على التجربة والخطأ، وغالباً ما تحتاج إلى أمثلة من كل من الأصحاء والمرضى لضبطها بشكل صحيح.
- الحل: ابتكر الباحثون نظاماً يضبط نفسه بنفسه. فهو ينظر فقط إلى البيانات الصحية ويستنتج الإعدادات المثالية بمفرده، مثل الموسيقي الذي يمكنه ضبط آلتة الموسيقية بمجرد الاستماع إلى صوتيات الغرفة، دون الحاجة إلى نغمة مرجعية. هذا يضمن أن النظام يعتمد كلياً على حقيقة ما هي "الصحة"، دون أي انحياز من الأمثلة المرضية.
النتائج
اختبر الفريق هذا النظام باستخدام بيانات دم حقيقية. قاموا بتدريب الكمبيوتر فقط على الأشخاص الأصحاء. ثم، ألقوا بكل أنواع الأمراض المختلفة أمامه — بما في ذلك أنواع مختلفة من السرطان وحتى كوفيد-19 — دون أن يسبق لهم عرض تلك الأمراض على الكمبيوتر أثناء التدريب.
والنتيجة؟ عمل النظام ببراعة. لأنه تعلم البنية العميقة والأساسية لما تبدو عليه "الصحة"، استطاع رصد أي مرض يخل بهذا الهيكل، حتى لو لم يسبق له رؤية ذلك المرض المحدد من قبل.
باختصار
تقدم هذه الورقة البحثية طريقة جديدة لفحص الأمراض. بدلاً من محاولة تعلم كل مرض ممكن، قاموا ببناء نظام ذكي يفهم "الصحة" بعمق. إذا لم تتوافق بروتينات الدم الخاصة بك مع النمط "الصحي"، فسيقوم النظام برصد ذلك كحالة شاذة، بغض النظر عن المرض المحدد الذي يسبب هذا التغيير. إنها طريقة قوية ومستقلة عن نوع المرض لرصد المشكلات في الدم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.