MO-AIWOA-XAI: A Multi-Objective Explainable Diabetes Risk Prediction integrating Feature Optimization and Cross-Dataset Validation

مرض السكري هو حالة يعاني فيها الجسم من صعوبة في إدارة السكر، مما يؤدي إلى مشاكل صحية خطيرة إذا لم يتم اكتشافه مبكراً. لطالما اعتمد الأطباء على اختبارات الدم والفحوصات البدنية لرصد علامات التحذير، لكن هذه الأساليب غالباً ما تتطلب زيارة للعيادة والمختبر. وفي السنوات الأخيرة، توجه العلماء نحو استخدام الحواسيب للمساعدة؛ فمن خلال تغذية برامج تعلم الآلة بالسجلات الطبية، يستطيع الباحثون تعليم الحواسيب كيفية رصد الأنماط التي تشير إلى أن الشخص معرض لخطر الإصابة بالسكري. ومع ذلك، غالباً ما تعمل هذه البرامج الحاسوبية كـ "صناديق سوداء"؛ فقد تعطي إجابة صحيحة، لكنها لا تستطيع شرح السبب الذي أدى بها إلى تلك النتيجة. ولكي يثق الطبيب في نصيحة الحاسوب، فإنه يحتاج إلى فهم المنطق وراءها، ويحتاج إلى معرفة أي عوامل محددة، مثل العمر أو ضغط الدم، هي التي رجحت الكفة. علاوة على ذلك، فإن العديد من النماذج الحاسوبية يتم تدريبها على نوع واحد فقط من بيانات المرضى، مما يجعل من غير الواضح ما إذا كانت ستعمل مع مجموعة مختلفة من الناس.

لقلبت مجموعة من الباحثين نظاماً جديداً صُمم لحل هذه المشكلات. نهجهم، الذي أطلقوا عليه اسم MO-AIWOA-XAI، مبني للقيام بثلاثة أشياء في آن واحد: إيجاد أهم الأدلة الصحية، والتنبؤ بخطر الإصابة بالسكري بدقة عالية، وشرح كيفية الوصول إلى ذلك التنبؤ بدقة. يبدأ النظام بتمشيط قائمة كبيرة من تفاصيل المرضى للعثور على القليل من التفاصيل الأكثر أهمية. ثم يستخدم برنامج تعلم ذكي لإجراء تنبؤه. وأخيراً، يصدر تقريراً واضحاً للطبيب، لا يوضح مستوى الخطر فحسب، بل يوضح أيضاً ما هي التغييرات التي يمكن للمريض إجراؤها لتقليل هذا الخطر. وقد اختبر الباحثون هذا النظام على مجموعتين مختلفتين تماماً من بيانات المرضى لضمان عمله بشكل موثوق.

بدأ الباحثون بجمع مجموعتين متميزتين من معلومات المرضى. المجموعة الأولى جاءت من مجموعة من النساء من أصول "بيما الهندية" وتضمنت قياسات فسيولوجية مفصلة مثل مستويات الجلوكوز، وضغط الدم، ومؤشر كتلة الجسم. أما المجموعة الثانية فكانت مختلفة؛ حيث ركزت على أعراض الإنذار المبكر، مثل العطش المتكرر، وفقدان الوزن المفاجئ، وتشوش الرؤية، والتي جُمعت من مجموعة سكانية مختلطة. مثلت هاتان المجموعتان من البيانات طريقتين مختلفتين قد يواجه بهما الأطباء المرض: إحداهما من خلال نتائج المختبر والأخرى من خلال شكاوى المرضى. وقبل أن يتمكن الحاسوب من التعلم من هذه البيانات، كان على الباحثين تنظيفها؛ حيث قاموا باستكمال الأرقام المفقودة، وتعديل الاختلافات في كيفية تسجيل البيانات، وموازنة المجموعات حتى لا ينحاز الحاسوب نحو نتيجة معينة دون غيرها.

ولإيجاد أفضل المتنبئات، استخدم الفريق طريقة مستوحاة من سلوك الصيد لدى حيتان "الحدب". في الطبيعة، تعمل هذه الحيتان معاً لمحاصرة الأسماك في شبكة فقاعية. ويحاكي الخوارزمي الحاسوبي هذا السلوك عبر إرسال مجموعة من "الحيتان" الافتراضية لاستكشاف تركيبات مختلفة من العوامل الصحية. تختبر كل حماة (حوت) مجموعة محددة من السمات، مثل التحقق مما إذا كان الجمع بين العمر والجلوكوز أفضل في التنبؤ من الجمع بين العمر وضغط الدم. ويتحسن الخوارزمي بمرور الوقت، ويتعلم أي التركيبات تعمل بشكل أفضل. ومن الأهمية بمكان أن هذا النظام صُمم للبحث عن هدفين في وقت واحد: أراد أعلى دقة ممكنة في التنبؤ بالسكري، ولكنه أراد أيضاً استخدام أقل عدد ممكن من السمات. وهذا أمر حيوي للاستخدام في العالم الحقيقي، حيث يفضل الأطباء الفحوصات البسيطة والسريعة على لوحات الاختبار المعقدة والمكلفة.

بعد تشغيل عملية التحسين هذه، حدد النظام مجموعة صغيرة وقوية مكونة من أربعة عوامل تحمل الوزن الأكبر: عدد مرات حمل المرأة، ومستوى الجلوكوز لديها، وضغط دمها، ومؤشر كتلة الجسم. ومن خلال التركيز فقط على هذه العوامل الأربعة، قلل النظام من كمية البيانات التي يحتاج إلى معالجتها بنسبة 20% تقريباً، ومع ذلك حافظ على قدرته على رصد المرض. ثم قام الباحثون بتدريب نموذج تنبؤ نهائي باستخدام هذه العوامل الأربعة الرئيسية. ولضمان ضبط النموذج بشكل مثالي، استخدموا أداة مؤتمتة اختبرت آلاف الإعدادات المختلفة لإيجاد الإعداد الذي يعمل بشكل أفضل.

كانت نتائج هذا الإطار الجديد مثيرة للإعجاب. فعند اختباره على مجموعة بيانات "بيما الهندية"، حدد النظام حالات السكري بشكل صحيح بنسبة 83.76 بالمئة. وفي مجموعة البيانات الثانية، التي ركزت على الأعراض المبكرة، حقق دقة أعلى بلغت 95.19 بالمئة. والأهم من ذلك، أثبت النظام أنه لا يخمن فحسب، بل كان مستقراً. فعندما اختبر الباحثون النظام على شرائح مختلفة من البيانات، ظلت النتائج متسقة. كما تحققوا مما إذا كانت الاحتمالات التي يعطيها الحاسوب تتوافق مع الواقع، ووجدوا أن التنبؤات كانت مضبوطة جيداً، مما يعني أن درجة خطر بنسبة 90 بالمئة تعني بالفعل احتمالية عالية للإصابة بالمرض.

ولعل الجزء الأكثر أهمية في هذا العمل هو التفسير. فالنظام لا يكتفي بالقول "خطر مرتفع"؛ بل يخبر الطبيب بالسبب. وباستخدام تقنية تسمى SHAP، أظهر النظام أن الجلوكوز ومؤشر كتلة الجسم كانا العاملين الأكثر تأثيراً عبر المجموعة بأكملها. وبالنسبة لمريض معين، يستخدم النظام تقنية LIME لشرح خطر ذلك الشخص تحديداً، مسلطاً الضوء على القياسات التي رفعت درجته. بل إنه يذهب إلى أبعد من ذلك باستخدام طريقة تسمى DiCE، والتي تولد تفسيرات "واقع مضاد". وهذا يعني أن النظام يمكنه إخبار المريض بما يجب أن يتغير لخفض مخاطره. على سبيل المثال، قد يوضح أن مستوى الجلوكوز لدى المريض لو كان أقل قليلاً أو وزن المريض لو انخفض قليلاً، فإن تنبؤ الحاسوب سيتحول من "سكري" إلى "ليس سكرياً". وهذا يحول التنبؤ الساكن إلى أداة ديناميكية للوقاية.

قام الباحثون بالتحقق من عملهم من خلال مقارنته بالأساليب القديمة ومن خلال اختباره عبر مجموعتي البيانات المختلفتين. ووجدوا أن نهجهم كان أكثر قوة وموثوقية من التقنيات القياسية. كما أكدوا أن التفسيرات التي قدمها النظام كانت مستقرة؛ فإذا قاموا بإجراء الاختبار مرة أخرى، سيشير النظام إلى نفس العوامل المهمة. وهذا الاتساق ضروري لبناء الثقة في المجالات الطبية. وتخلص الدراسة إلى أنه من خلال الجمع بين اختيار السمات الذكي، ونموذج تنبؤ قوي، وتفسيرات واضحة، من الممكن إنشاء أداة تكون دقيقة ومفهومة في آن واحد. ويقدم هذا الإطار مساراً للمضي قدماً في دعم القرار السريري، حيث يمكن للحواسيب مساعدة الأطباء ليس فقط عبر حساب الأرقام، بل من خلال توفير السياق والمنطق اللازمين لاتخاذ خيارات مدروسة بشأن رعاية المرضى.