Cross-Outbreak Transfer Learning Under Data/Label Scarcity: Foundation ML model for epidemiology

معضلة المحقق: عندما لا تتناسب الأدلة القديمة مع الجرائم الجديدة

تخيل أنك محقق تحاول حل جريمة جديدة وغامضة. لديك خزانة ملفات ضخمة مليئة بالقضايا التي تم حلها في الماضي — آلاف الصفحات من الملاحظات حول كيفية اقتحام اللصوص للمنازل، وكيف سرق اللصوص المجوهرات، وكيف تم القبض عليهم. هذه هي "بيانات التدريب" الخاصة بك. الآن، تسقط قضية جديدة على مكتبك: عملية سطو غريبة ونادرة حدثت في مدينة مختلفة، بقواعد مختلفة، وليس لديك سوى قصاصة ورق صغيرة تحتوي على 32 أو 64 دليلًا.

في عالم الذكاء الاصطناعي (AI)، هذا هو بالضبط ما يحدث عندما يبدأ تفشي مرض جديد. يمتلك العلماء كميات هائلة من البيانات من التفشيات السابقة (مثل فيروس جدري القردة "mpox" لعام 2022)، ولكن عندما يظهر مرض جديد (مثل تفشي إيبولا عام 2026 في هذه القصة)، غالبًا ما يكون لديهم فقط عدد قليل من سجلات المرضى المؤكدة للعمل عليها. يُسمى هذا "ندرة البيانات". السؤال الكبير هو: هل يمكننا تعليم الكمبيوتر استخدام "خبرته" من الحالات القديمة للمساعدة في حل الحالة الجديدة؟

الجزء الصعب هو أن كل مرض مختلف عن الآخر. قد يتعلم نموذج تم تدريبه على جدري القردة أن "الحمى" تعني "خطرًا مرتفعًا"، ولكن في تفشي إيبولا الجديد، قد تكون القواعد المتعلقة بمن يتم تأكيد إصابته بالمرض مختلفة تمامًا. إذا نسخ الكمبيوتر عاداته القديمة بشكل أعمى، فقد يرتكب أخطاءً خطيرة. يُسمى هذا "النقل السلبي" (negative transfer) — وهو يشبه محاولة حل مشكلة في الشطرنج باستخدام قواعد لعبة الداما. الهدف من هذا البحث هو بناء محقق ذكاء اصطناعي ذكي يعرف متى يستمع إلى خبرته القديمة ومتى يتجاهلها، لضمان عدم ارتباكه بسبب القواعد الجديدة والغريبة للطوارئ الحالية.

قصة الورقة البحثية: تعليم الذكاء الاصطناعي كيف يكون محققًا ذكيًا

تقدم هذه الورقة طريقة جديدة لبناء نموذج ذكاء اصطناعي لعلم الأوبئة (دراسة كيفية انتشار الأمراض) تسمى OBFM-SafeEnsemble. أراد الباحثون معرفة ما إذا كان بإمكانهم أخذ نموذج تم تدريبه على مجموعة بيانات ضخمة مكونة من 6اس 69,595 سجلًا من تفشي جدري القردة عام 2022، واستخدامه للمساعدة في التنبؤ بحالة التأكيد لتفشي إيبولا أصغر بكثير في عام 2026، والذي يحتوي فقط على 2,900 سجل (وفي بعض الأحيان 32 سجلًا مصنفًا فقط للبدء بها).

مشكلة "النسخ المباشر"
أولاً، جرب الباحثون النهج البديهي: مجرد أخذ نموذج جدري القردة القديم وجعله يخمن على بيانات إيبولا الجديدة. يُسمى هذا "النقل الصفري" (zero-shot transfer). النتيجة؟ كانت كارثية. لم يكن أداء النموذج أفضل من التخمين العشوائي (AUROC قدره 0.487، وهو ما يعادل تقريبًا رمية عملة معدنية). لماذا؟ لأن النموذج القديم تعلم اختصارات محددة عن جدري القردة لا تنطبق على إيبولا. كان الأمر يشبه محققًا يعرف فقط كيفية القبض على النشالين يحاول حل قضية سرقة بنك؛ فالمهارات لم تكن متطابقة. حتى محاولة جعل النموذج "يقرأ" سجلات إيبولا الجديدة بدون تسميات (التكيف غير المصنف) لم تساعد إلا قليلاً، حيث رفعت الدرجة إلى 0.523، وهي لا تزال غير مفيدة.

الحل "الآمن": الاستماع، ولكن ليس الطاعة
قام الباحثون بعد ذلك ببناء نظام أكثر ذكاءً يسمى OBFM-SafeEnsemble. بدلاً من إجبار النموذج الجديد على طاعة النموذج القديم، عاملوا معرفة النموذج القديم كـ "نصيحة" وليس كـ "قانون".

إليك كيف يعمل ذلك، باستخدام تشبيه بسيط:
تخيل أنك تخبز كعكة جديدة (تفشي إيبولا) ولكن لديك عدد قليل من البيض (البيانات المصنفة). لديك كتاب وصفات مشهور لنوع مختلف من الكعك (تفشي جدري القردة).

1. الطريقة القديمة: تتبع الوصفة القديمة بشكل أعمى. تصبح الكعكة ذات مذاق غريب لأن المكونات مختلفة.
2. الطريقة الجديدة (SafeEnsemble): تخبز بضع دفعات تجريبية. إحدى الدفعات تتبع وصفتك الجديدة الخاصة. دفعة أخرى تخلط القليل من وصفتك القدة. تتذوق جميعًا. إذا كان المزيج طعمه أفضل، فاحتفظ به. إذا أفسدت الوصفة القديمة الكعكة، فتخلص منها والتزم بوصفتك الخاصة.

من الناحية التقنية، يقوم النظام بتدريب عدة "رؤوس" (متنبئات) مختلفة. بعضها يعتمد فقط على بيانات إيبولا الجديدة. والبعض الآخر يحاول استخدام بيانات جدري القردة القديمة كـ "أولوية" (اقتراح لطيف). ثم يتحقق النظام من مجموعة "تحقق" منفصلة لمعرفة أي تركيبة تعمل بشكل أفضل. والأهم من ذلك، أنه يحتوي على مفتاح أمان: إذا جعلت البيانات القديمة الأمور أسوأ، فإن النظام يتجاهلها تلقائيًا ويعود إلى النموذج الذي تم تدريبه فقط على البيانات الجديدة.

ماذا وجدوا؟
كانت النتائج واعدة، ولكن بشرط مهم للغاية: الميزات "الآمنة" كانت ضرورية.

• عندما كانت التسميات نادرة (من 32 إلى 64 سجلًا): كان نموذج المجموعة الآمنة (safe ensemble) أفضل بكثير من النموذج المدرب فقط على البيانات الجديدة. على سبيل المثال، مع 64 سجلًا، حسن النموذج الآمن درجة الترتيب (AUROC) من 0.452 إلى 0.687. هذه قفزة هائلة.
• خدعة "المتوسط": وجد الباحثون أن اختيار "أفضل" نموذج واحد فقط كان مخاطرة كبيرة لأننا مع وجود بيانات قليلة جدًا، قد يكون "أفضل" نموذج هو مجرد نموذج محظوظ. بدلاً من ذلك، وجدوا أن متوسط تنبؤات عدة نماذج جيدة (مثل أخذ متوسط أفضل 2 أو 3 مرشحين) جعل النتائج أكثر استقرارًا ودقة.
• شبكة الأمان: مع زيادة كمية البيانات الجديدة (حتى 128 سجلًا)، اعتمد النظام بشكل طبيعي أقل على نصيحة جدري القردة القديمة. وبحلول الوقت الذي وصل فيه إلى 128 سجلًا، تجاهل النظام معظم بيانات جدري القردة لأن البيانات الجديدة كانت قوية بما يكفي لتقف بمفردها. أثبت هذا أن النظام نجح في تجنب "النقل السلبي" — فقد عرف متى يتوقف عن الاستماع إلى النصيحة القديمة.

ما تنفيه الورقة البحثية
تجادل الورقة صراحة ضد بعض الأفكار الشائعة في الذكاء الاصطناعي:

• الضبط الدقيق الأعمى (Blindly Fine-Tuning): أظهروا أن أخذ نموذج ضخم ومحاولة تحديث جميع أجزائه باستخدام مجموعة بيانات جديدة صغيرة هو أمر غير مستقر ويؤدي غالبًا إلى نتائج سيئة للغاية.
• النقل الصفري كافٍ: أثبتوا أن مجرد التدريب المسبق لنموذج على بيانات قديمة ثم تركه يخمن على بيانات جديدة دون أي تدريب جديد ليس كافيًا؛ فـ "معنى" البيانات يتغير كثيرًا بين حالات التفشي.
• التعقيد هو الملك: وجدوا أن إضافة طبقات شبكة عصبية أكثر تعقيدًا لم يساعد. في الواقع، النماذج الأبسط التي تدمج عدة نهج مختلفة كانت تعمل بشكل أفضل من نموذج واحد فائق التعقيد.

ما مدى تأكدهم؟
يؤكد المؤلفون بحذر أن هذه النتائج تستند إلى تقسيمات محددة لمجموعة البيانات ولقطة واحدة من بيانات إيبولا. لقد قاسوا التحسن (مثل الزيادة بمقدار +0.235 عند 64 تسمية) ووجدوا أنها حقيقية ضمن تجربتهم. ومع ذلك، يعترفون بأنه نظرًا لاستخدامهم نفس بيانات الاختبار لتطوير الطريقة، فهناك خطر من أن يكون النموذج قد "حفظ" مجموعة الاختبار. ويقترحون أن الخطوة التالية هي اختبار هذا على مجموعة بيانات جديدة وثابتة من زمن أو مكان مختلف لإثبات نجاحه في العالم الحقيقي.

الخلاصة
تشير هذه الورقة إلى أنه يمكننا بناء ذكاء اصطناعي يتعلم من التفشيات السابقة للمساعدة في التفشيات الجديدة، ولكن فقط إذا بنينا "صمام أمان". لا ينبغي للذكاء الاصطناعي أن ينسخ ويلصق المعرفة القديمة فحسب؛ بل يجب أن يعامل المعرفة القديمة كاقتراح ضعيف، ويختبرها مقابل الواقع الجديد، ويكون مستعدًا للتخلي عنها إذا لم تكن مناسبة. من خلال دمج متوسط عدة تخمينات مختلفة والاحتفاظ دائمًا بخطة احتياطية تعتمد على "المرض فقط"، تمكن النظام من تحويل كمية ضئيلة من البيانات الجديدة إلى متنبئ أكثر ذكاءً، خاصة عندما كانت البيانات في أكثر حالات ندرتها.