An Interpretable AI Framework for Multiclass Classification of Thalassemia Using Combined CBC and HPLC Biomarkers

يُعد الثلاسيميا اضطراباً وراثياً في الدم يؤثر على الملايين من الناس حول العالم، لا سيما في جنوب آسيا، وجنوب شرق آسيا، ومنطقة البحر الأبيض المتوسط. ويحدث عندما لا يستطيع الجسم إنتاج ما يكفي من البروتينات التي تشكل الهيموجلوبين، وهي المادة الموجودة في خلايا الدم الحمراء التي تحمل الأكسجين. وبدون وجود كمية كافية من هذه البروتينات، يواجه الجسم صعوبة في صنع خلايا دم حمراء صحية، مما يؤدي إلى فقر الدم ومجموعة من المضاعفات الصحية الأخرى. ولعقود من الزمن، كان الأطباء يشخصون هذه الحالة من خلال فحص عينات الدم تحت المجهر واستخدام آلات متخصصة لقياس الأنواع المختلفة من الهيموجلوبين الموجودة. ورغم دقة هذه العملية، إلا أنها مكلفة وتستغرق وقتاً طويلاً، وتعتمد بشكل كبير على مهارة الطبيب الفردي الذي يقرأ النتائج. ونتيجة لذلك، يصعب فحص مجموعات سكانية كبيرة بسرعة، خاصة في المناطق التي ينتشر فيها المرض بشكل كبير.

وفي السنوات الأخيرة، توجه العلماء إلى الذكاء الاصطناعي للمساعدة في أتمتة هذه العملية. وتتمثل الفكرة في تعليم الكمبيوتر التعرف على الأنماط في نتائج فحوصات الدم التي تشير إلى الإصابة بالثلاسيميا، تماماً كما يفعل الطبيب المتمرس، ولكن بسرعة واتساق الآلة. ومع ذلك، فإن إنشاء مثل هذا النظام ليس بالأمر السهل؛ إذ تنتج فحوصات الدم كمية هائلة من البيانات، وغالباً ما تتداخل أنماط الأنواع المختلفة من المرض. علاوة على على ذلك، في أي مجموعة كبيرة من الناس يتم فحصهم، يكون الغالبية العظمى من الأصحاء، بينما تشكل نسبة ضئيلة جداً فقط المصابين بالمرض أو حاملي الصفة الوراثية. وهذا يخلق وضعاً صعباً لبرامج الكمبيوتر، التي تميل إلى تجاهل الحالات النادرة وتكتفي بالتخمين بأن الجميع أصحاء لأن هذا هو ما يحدث في معظم الأوقونة.

قام فريق من الباحثين من جامعة SR ومعهد Jyothishmathi لتكنولوجيا العلوم في الهند بتطوير إطار عمل جديد لحل هذه المشكلات المحددة. فقد أنشأوا نظاماً حاسوبياً مصمماً للنظر في نوعين مختلفين من نتائج فحوصات الدم في آن واحد: تعداد الدم الكامل القياسي، الذي يقيس حجم وعدد خلايا الدم الحمراء، وفحص أكثر تفصيلاً يسمى الكروماتوغرافيا السائلة عالية الأداء، والتي تفصل وتقيس أجزاء محددة من الهيموجلوبين. ومن خلال الجمع بين هذين المصدرين من المعلومات، هدف الباحثون إلى بناء نموذج لا يمكنه فقط اكتشاف المرض، بل يمكنه أيضاً التمييز بين ثلاث مجموعات متميزة: الأشخاص الأصحاء، والأشخاص الذين يحملون الصفة الوراثية (والذين يمكنهم نقلها لأطفالهم)، والأشخاص الذين يعانون من الشكل النشط والشديد من المرض.

بدأ الباحثون بمجموعة بيانات ضخمة تحتوي على سجلات لأكثر من 13,000 مريض. تضمنت هذه المجموعة قياسات مفصلة لتسعة مؤشرات دم رئيسية، إلى جانب معلومات ديموغرافية مثل العمر والجنس. كانت البيانات منحازة بشدة، حيث شكل الأفراد الأصحاء أكثر من 90 بالمائة من السجلات، بينما شكلت حالات المرض الشديد أقل من نصف بالمائة. وللتعامل مع هذا عدم التوازن، قام الفريق أولاً بتنظيف البيانات، وإصلاح الأخطاء في كيفية تسجيل المعلومات وتحويل أوصاف العمر إلى أرقام بسيطة. ثم قاموا بتجميع ثلاثة عشر ملصقاً تشخيصياً مختلفاً موجوداً في السجلات الأصلية إلى الفئات الثلاث الأوسع التي يحتاجها نظامهم. ومن الأهمية بمكان أنهم استخدموا تقنية لإنشاء المزيد من الأمثلة لحالات المرض النادرة بشكل اصطناعي داخل بيانات التدريب، مما يضمن أن يتعلم الكمبيوتر التعرف عليها بنفس قدر تعلمه للحالات الصحية الشائعة.

ولإيجاد أفضل طريقة لتصنيف هؤلاء المرضى، اختبر الفريق أربعة أنواع مختلفة من خوارزميات التعلم الحاسوبي المتقدمة. كان النوعان الأولان يعتمدان على أشجار القرار، وهي طريقة يطرح فيها الكمبيوتر سلسلة من الأسئلة التي تكون إجابتها نعم أو لا حول قيم الدم للوصول إلى استنتاج. أما الثالث، فكان نموذج تعلم عميق مصمماً خصيصاً للبيانات الجدولية، والذي يحاول إيجاد علاقات معقدة وغير خطية بين الأرقام. والنهج الرابع كان "التجميع المتراكم" (stacking ensemble)، والذي لم يعتمد على خوارزمية واحدة بل دمج تنبؤات النماذج الأخرى لاتخاذ قرار نهائي. أجرى الباحثون هذه النماذج عبر عملية اختبار صارمة، لضمان أن البيانات المستخدمة لتعليم الكمبيوتر ليست هي نفسها البيانات المستخدمة لاختباره، وهي خطوة ضرورية لإثبات أن النظام يعمل على مرضى جدد لم يسبق رؤيتهم.

أظهرت النتائج أن النهج المجمع كان الأكثر فعالية. فقد حقق نموذج التجميع المتراكم، الذي جمع بين نقاط القوة في الخوارميات الأخرى، دقة بلغت 99.89 بالمائة في تحديد المجموعات الثلاث بشكل صحيح. وقد نجح في تحديد 94.7 بالمائة من حالات المرض وحاملي الصفة الفعلية، وهو مقياس حاسم في الطب حيث يمكن أن يؤدي تفويت التشخيص إلى عواقب وخيمة. كما أدت النماذج الأخرى أداءً جيداً أيضاً، حيث جاءت النماذج القائمة على أشجار القرار في مرتبة قريبة خلفها، لكن النموذج المجمع تفوق باستمرار على جميع النماذج الأخرى. كما استخدم الباحثون طريقة لفهم كيفية اتخاذ الكمبيوتر لقراراته بدقة؛ حيث وجدوا أن النظام اعتمد بشكل أكبر على خمسة مؤشرات حيوية محددة: مستوى نوع من الهيموجلوبين يسمى HbA2، ومتوسط حجم خلايا الدم الحمراء، وكمية الهيموجلوبين داخل تلك الخلايا، والعدد الإجمالي لخلايا الدم الحمراء، ومستوى الهيموجلوبين الجنيني.

تعتبر هذه النتائج مهمة لأنها تتوافق تماماً مع المعرفة الطبية الراسخة. فقد عرف الأطباء منذ زمن طويل أن ارتفاع مستويات HbA2 وصغر حجم خلايا الدم الحمراء عن المتوسط هما العلامتان المميزتان لحاملي الثلاسيميا، بينما تشير التغيرات في الهيموجلوبين الجنيني غالباً إلى أشكال أكثر شدة من المرض. وحقيقة أن الذكاء الاصطناعي حدد بشكل مستقل هذه العوامل ذاتها كأهم العوامل تعطي الأطباء الثقة في أن النظام لا يقوم بمجرد التخمين، بل يتعلم بالفعل القواعد البيولوجية للمرض. كما سلطت الدراسة الضوء على أنه بينما تعد نماذج التعلم العميق قوية، إلا أنها قد تتطلب مجموعات بيانات أكبر للتفوق على طرق أشجار القرار التقليدية عند العمل مع البيانات الطبية المهيكلة.

يقر الباحثون بأن نظامهم ليس حلاً مثالياً لكل حالة بعد. فقد جاءت البيانات من منطقة واحدة في الهند، والأنماط الجينية للمرض يمكن أن تختلف في أجزاء أخرى من العالم. بالإضافة إلى ذلك، فإن النظام معقد، والنموذج الأكثر دقة يصعب شرحه مقارنة بشجرة قرار واحدة. ومع ذلك، فإن الدراسة تثبت أنه من الممكن بناء أداة فحص آلية عالية الدقة يمكنها التعامل مع الواقع الفوضوي للبيانات الطبية في العالم الحقيقي. ومن خلال الجمع بين أنواع مختلفة من فحوصات الدم واستخدام مزيج ذكي من الخوارزميات الحاسوبية، يوفر هذا الإطار مساراً واعداً نحو فحص أسرع وأكثر موثوقية للثلاسيميا، مما قد يساعد في تحديد الحاملين للمرض والمرضى في وقت مبكر وبفعالية أكبر مما تسمح به الطرق الحالية.