A Systematic Review of Deep Learning Algorithms for the Early Detection of Chronic Disease

تعد الأمراض المزمنة مثل السرطان، وفشل القلب، والسكري، وأمراض الكبد من الأسباب الرئيسية للوفاة والإعاقة حول العالم. وهي تتطور ببطء بمرور الوقت، وغالباً ما تخفي وجودها حتى تسبب ضرراً كبيراً. ولأن اكتشاف هذه الأمراض مبكراً يمكن أن ينقذ الأرواح ويقلل من المعاناة، يبحث الأطباء والعلماء باستمرار عن طرق أفضل لرصدها قبل ظهور الأعراض. وفي السنوات الأخيرة، برز فرع من علوم الحاسوب يُعرف بالتعلم العميق كأداة قوية لهذه المهمة. وخلافاً للبرامج الحاسوبية القديمة التي كانت تتطلب من البشر تعليمها يدوياً ما يجب البحث عنه، تستطيع أنظمة التعلم العميق تعليم نفسها؛ فهي تفعل ذلك من خلال دراسة كميات هائلة من المعلومات، مثل الصور الطبية، أو نتائج فحوصات الدم، أو تسجيلات نظم ضربات القلب، وتتعلم التعرف على الأنماط الدقيقة التي قد تغفل عنها العين البشرية. وتوفر هذه القدرة على إيجاد الإشارات الخفية في البيانات المعقدة أملاً جديداً في التنبؤ بالمرض قبل أن يصبح حرجاً بفترة طويلة.

لقد سعى فريق من الباحثين من جامعة تشيتاغونغ للهندسة والتكنولوجيا في بنغلاديش لفهم المدى الذي وصلت إليه هذه التكنولوجيا بالضبط. لم يجروا تجربة جديدة واحدة، بل قاموا بعملية بحث منظمة وشاملة عبر آلاف الدراسات العلمية الموجودة لمعرفة ما تم اكتشافه بالفعل. واتباعاً لمجموعة صارمة من القواعد المستخدمة لضمان النزاهة والدقة في المراجعات العلمية، قاموا بفحص مئات الأوراق البحثية المنشورة بين عامي 2018 و2026. ومن مجموعة أولية تضم 800 دراسة، اختاروا بعناية 55 تقريراً عالي الجودة ركزت تحديداً على استخدام التعلم العميق للكشف المبكر عن الأمراض المزمنة. وكان هدفهم هو رسم خارطة للمشهد البحثي الحالي، وتحديد أي النماذج الحاسوبية تعمل بشكل أفضل، وما هي البيانات التي تستخدمها، وأين لا تزال التكنولوجيا تواجه صعوبات.

وجد الباحثون أن النماذج الحاسوبية الأكثر نجاحاً تعتمد بشكل كبير على نوع البيانات التي تحللها. فعندما تتضمن المهمة فحص صور، مثل الأشعة السينية، أو صور الرنين المغناطيسي، أو صور الأنسجة المجهرية، فإن نوعاً معيناً من نماذج التعلم العمدي يسمى "الشبكة العصبية الالتفافية" (Convolutional Neural Network) يتصدر المشهد بوضوح. وتبرع هذه الأنظمة في رصد الأشكال، والقوام، والحدود داخل الصور. وفي الدراسات التي ركزت على السرطان، لا سيما سرطان الثدي وسرطان الجلد، حققت هذه النماذج التي تركز على الصور نجاحاً ملحوظاً، حيث وصلت دقة بعضها إلى 99.5 بالمائة. فعلى سبيل المثال، استخدمت إحدى الدراسات نموذجاً لتحليل آلاف صور أنسجة الثدي وحددت السرطان بشكل صحيح في كل الحالات تقريباً، بينما ميز نظام آخر بين أنواع مختلفة من أورام الجلد بدقة مماثلة. وأصبحت هذه النماذج جيدة لدرجة أنها تستطيع أحياناً رؤية تفاصيل غير مرئية بالعين المجردة، مما يوفر رأياً ثانياً قوياً لأطباء علم الأمراض.

ومع ذلك، لا تأتي كل البيانات الطبية في شكل صور. فبعض المعلومات، مثل ضربات القلب، أو موجات الدماغ، أو التاريخ الطبي للمريض على مدار سنوات عديدة، تصل على شكل تسلسل من الأرقام التي تتغير بمرور الوقت. وبالنسبة لهذا النوع من البيانات، تتطلب الأمور بنيات حاسوبية مختلفة. وقد سلطت المراجعة الضوء على أن النماذج المصممة لتذكر المعلومات الماضية، مثل شبكات "الذاكرة الطويلة قصيرة المدى" (Long Short-Term Memory)، فعالة بشكل خاص لأمراض القلب والسكري. وتستطيع هذه الأنظمة تتبع كيفية تطور حالة المريض، ورصد الاتجاهات الخطيرة في نظم ضربات القلب أو مستويات السكر في الدم التي قد تغفل عنها لقطة زمنية واحدة. وفي التنبؤ بأمراض القلب، حققت نماذج محددة مثل HQNN دقة بلغت 99.8 بالمائة. وبالمثل، بالنسبة لمرض السكري، أظهرت النهج الجديدة التي تجمع بين أنواع مختلفة من التعلم القدرة على التنبؤ ببداية المرض، حيث وصلت إحدى الدراسات إلى دقة 75 بالمائة في التنبؤ ببدء مرض السكري من النوع الثاني قبل سبع سنوات باستخدام بيانات تتراوح من فحوصات الدم البسيطة إلى العلامات الجينية المعقدة.

وعلى الرغم من هذه الأرقام المثيرة للإعجاب، فقد كان الباحثون حذرين في الإشارة إلى أن التكنولوجيا ليست جاهزة بعد لاستبدال الأطباء في كل عيادة. وتتمثل إحدى العقبات الرئيسية في نقص البيانات عالية الجودة والمصنفة (الموسومة). فلكي تعلم حاسوباً كيفية التعرف على مرض ما، يحتاج العلماء إلى آلاف الأمثلة التي تكون الإجابة فيها معروفة بالفعل، لكن مجموعات البيانات هذه غالباً ما تكون صغيرة، أو غير مكتملة، أو منحازة. علاوة على ذلك، فإن هذه الأنظمة الحاسوبية القوية غالباً ما تكون "صناديق سوداء"، مما يعني أنها قد تعطي إجابة صحيحة دون شرح السبب الذي أدى إلى هذا الاستنتاج. وفي الطب، يعد معرفة المنطق وراء التشخيص أمراً لا يقل أهمية عن التشخيص نفسه. كما أشارت المراجعة إلى أن العديد من الدراسات الأكثر نجاحاً تم اختبارها فقط في بيئات خاضعة للرقابة أو على مجموعات بيانات محلية محددة، ولا يزال من غير الواضح ما إذا كانت ستعمل بنفس الكفاءة في مستشفيات مختلفة أو مع مجموعات سكانية مختلفة.

ويخلص المؤلفون إلى أنه بينما أثبت التعلم العميق قدرته على إحداث ثورة في الكشف المبكر عن الأمراض، إلا أن هناك عملاً كبيراً متبقياً قبل أن يمكن الوثوق به على نطاق واسع في الممارسة الطبية اليومية. ويتضمن المسار المستقبلي إنشاء مجموعات أكبر وأكثر تنوعاً من البيانات الطبية، وتطوير طرق تجعل هذه النماذج الحاسوبية أكثر شفافية وسهولة في الفهم. وتشير المراجعة إلى أن المستقبل يكمن في النهج الهجينة، حيث يتم الجمع بين أنواع مختلفة من النماذج للتعامل مع كل من الصور والبيانات الزمنية في آن واحد، وفي استخدام الذكاء الاصطناعي القابل للتفسير الذي يمكنه إخبار الطبيب بالضبط بما رآه لاتخاذ قراره. وإلى أن يتم التغلب على هذه التحديات، سيظل التعلم العميق يعمل كأفضل مساعد متطور، يساعد المتخصصين الطبيين في رصد العلامات المبكرة للأمراض المزمنة ويمنح المرضى فرصة أفضل لحياة صحية.