A Quantum-Inspired Ensemble Learning Framework for Multi-Class Respiratory Disease Diagnosis

في عالم التشخيص الطبي، يعتمد الأطباء غالباً على مزيج من الأعراض، والعلامات الحيوية، ونتائج المختبر لتحديد المشكلة التي يعاني منها المريض. فعندما يدخل مريض إلى العيادة وهو يعاني من سعال أو حمى، يقوم الطبيب بتجميع هذه الأدلة للتمييز بين نزلات البرد الشائعة، أو الإنفلونزا، أو التهاب الشعب الهوائية، أو شيء أكثر خطورة مثل الالتهاب الرئوي. ومع ذلك، عندما تحاول أجهزة الكمبيوتر التعلم من هذه السجلات الطبية نفسها لإجراء التشخيصات، فإنها تواجه عقبة كبيرة؛ فالبيانات الطبية غالباً ما تكون فوضوية وغير متوازنة، حيث يوجد عادةً عدد أكبر بكثير من سجلات الأشخاص الأصحاء أو أولئك الذين يعانون من أمراض شائعة مقارنة بسجلات الأشخاص المصابين بأمراض نادرة أو خطيرة. هذا الاختلال يمكن أن يخدع برامج الكمبيوتر ويجعلها تتجاهل الحالات النادرة، مما يؤدي إلى تشخيصات خاطئة. علاوة على ذلك، فإن العلاقات بين مختلف المؤشرات الصحية — مثل كيفية تفاعل معدل ضربات القلب مع معدل التنفس — غالباً ما تكون معقدة وغير خطية، مما يعني أنها لا تتبع أنماطاً بسيطة ومستقيمة يمكن لنماذج الكمبيوتر القياسية رصدها بسهولة.

ولحل هذه المشكلات، طور فريق من الباحثين إطار عمل حاسوبياً جديداً صُمم لتشخيص أمراض الجهاز التنفسي بدقة عالية مع الحفاظ على العدالة تجاه جميع أنواع المرضى، بما في ذلك المصابين بحالات نادرة. هذا النظام، الذي يُسمى Q-Cog-Fusion، لا يستخدم حواسيب كمومية (كمية) فعلية، والتي لا تزال في مراحل تطويرها الأولى. بدلاً من ذلك، يستعير أفكاراً رياضية من الفيزياء الكمومية لمساعدة الكمبيوتر التقليدي على فهم العلاقات المعقدة بين البيانات الصحية. استخدم الباحثون هذا النهج على مجموعة بيانات تضم 2,000 سجل مريض تغطي خمس حالات مختلفة من أمراض الجهاز التنفسي. ومن خلال إنشاء نظام يمكنه فهم كيفية ارتباط الأعراض المختلفة ببعضها البعض بشكل أفضل، وضمان منح الكمبيوتر اهتماماً متساوياً للأمراض النادرة كما هو الحال مع الأمراض الشائعة، حقق الفريق دقة تشخيصية بلغت 99.40%. وهذا يعني أن النظام حدد المرض بشكل صحيح في كل حالة تقريباً، بما في ذلك حالات العدوى الأكثر صعوبة في الكشف عنها، وقدم أسباباً واضحة لقراراته تتماشى مع العلوم الطبية المعروفة.

كان التحدي الجوهري الذي واجهه الباحثون مزدوجاً: كانت البيانات منحازة بشدة، حيث شكل المرضى الأصحاء الغالبية العظمى من السجلات، وكانت الروابط بين مختلف العلامات الصحية معقدة. غالباً ما تعاني نماذج الكمبيوتر القياسية من هذا الأمر لأنها تميل إلى التركيز على المجموعة الأكثرية للحصول على درجة إجمالية عالية، مما يؤدي فعلياً إلى تجاهل مجموعات الأقلية. بالإضافة إلى ذلك، فإن الطرق التقليدية لإصلاح هذا الاختلال غالباً ما تخلق نقاط بيانات وهمية عن طريق مجرد حساب المتوسط للبيانات الموجودة، مما قد ينتج عنه تركيبات غير واقعية من الأعراض التي لا يمكن أن يمتلكها إنسان حقيقي. كان على الباحثين إيجاد طريقة لتوليد أمثلة جديدة وواقعية للأمراض النادرة دون كسر القواعد الطبيعية لفسيولوجيا الإنسان.

ولمعالة مسألة الاتصالات المعقدة بين الأعراض، قدم الفريق طريقة يسمونها "التشابك الميزاتي المستوحى من الكم" (quantum-inspired feature entanglement). في هذا السياق، "التشابك" هو مفهوم رياضي يُستخدم لوصف كيفية ارتباط المتغيرات المختلفة بطرق لا يمكن فصلها. على سبيل المثال، معدل ضربات قلب المريض ومستويات الأكسجين لديه مرتبطان بعمق؛ فإذا تغير أحدهما، يتغير الآخر غالباً بطريقة محددة وغير خطية. بنى الباحثون نظاماً يعامل هذه الاتصالات ككل موحد بدلاً من النظر إلى كل عرض بمعزل عن الآخر. ومن خلال محاكاة هذا الترابط، استطاع الكمبيوتر إنشاء صورة أكثر ثراءً وتفصيلاً لحالة المريض. وقد سمح هذا للنموذج برصد الأنماط الدقيقة التي تميز بين العدوى الخفيفة والعدوى الشديدة، وهي الأنماط التي تفشل النماذج الأبسط في رصدها.

كانت العقبة الثانية هي عدم التوازن في البيانات. فقد احتوت مجموعة البيانات الأصلية على 2,000 سجل، لكن عدد المرضى المصابين بالالتهاب الرئوي كان ضئيلاً جداً مقارنة بعدد الأشخاص الأصحاء. ولإصلاح ذلك دون إنشاء بيانات وهمية أو غير واقعية، استخدم الباحثون تقنية تسمى "التنظيم المانيفولدي التكيفي مع الانتشار المماسي" (adaptive manifold regularization with tangent propagation). تخيل نقاط البيانات كمنظر طبيعي حيث يشغل كل مرض منطقة خاصة به. قد تحاول الطرق القياسية ملء المساحات الفارغة بين هذه المناطق بخطوط مستقيمة، مما قد يؤدي إلى أخطاء. ومع ذلك، ينظر الأسلوب الجديد إلى الشكل المحلي للمنظر الطبيعي لكل مرض ويولد أمثلة جديدة تتبع المنحنيات الطبيعية لذلك الشكل. وهذا يضمن أن نقاط البيانات الاصطناعية الجديدة للأمراض النادرة تبدو وتتصرف مثل المرضى الحقيقيين، مما يحافظ على العلاقات الفسيولوجية الحقيقية بين علاماتهم الحيوية.

بمجرد تجهيز البيانات وموازنتها، احتاج الباحثون إلى طريقة لدمج تنبؤات عدة نماذج حاسوبية. لم يكتفوا بمجرد حساب متوسط النتائج، وهو ما قد يضعف رؤى النماذج الأفضل أداءً، بل استخدموا "شبكة دمج الانتباه متعددة المقاييس" (multi-scale attention fusion network). يعمل هذا النظام مثل مدير ذكي يستمع إلى عدة خبراء؛ فهو يقيم مدى جودة أداء كل خبير في حالات معينة، ثم يخصص وزناً أكبر للخبراء الأكثر موثوقية في الموقف الحالي. فإذا كان أحد النماذج بارعاً بشكل خاص في رصد الالتهاب الرئوي، فإن النظام يثق به أكثر عند ظهور حالة التهاب رئوي. سمح هذا التوزين الديناميكي للنظام النهائي بالتفوق على أي نموذج منفرد أو أي مجموعة ثابتة من النماذج.

كانت نتائج هذا النهج مذهلة. فعند اختباره على مجموعة منفصلة من المرضى، حقق النظام دقة بلغت 99.40%، حيث حدد المرض بشكل صحيح في كل حالة تقريباً. وقد أدى أداءً استثنائياً في الحالات الأكثر ندرة، حيث حقق استدعاءً (recall) بنسبة 100% لتشخيص حالات الالتهاب الرئوي ونزلات البرد، مما يعني أنه لم يخطئ في أي حالة من هذه الأمراض المحددة. ويمثل هذا تحسناً كبيراً عن طرق تعلم الآلة التقليدية، التي غالباً ما تعاني في تحديد فئات الأقلية في مجموعات البيانات غير المتوازنة. كما وفر النظام مستوى من الشفافية يعد أمراً بالغ الأهمية للاستخدام الطبي؛ فباستخدام أداة شرح متخصصة، استطاع الباحثون توضيح أي الأعراض والميزات المستمدة أدت إلى تشخيص معين. ووجدوا أن النظام اعتمد بشكل كبير على مؤشرات ذات أهمية سريرية، مثل تشبع الأكسجين ومعدل ضربات القلب، بالإضافة إلى الميزات المركبة والمصنعة التي تلتقط التفاعل بين هذه العلامات.

لقد كان الباحثون حذرين في التحقق من نتائجهم من خلال اختبارات صارمة، لضمان أن الدقة العالية لم تكن محض صدفة أو نتيجة قيام الكمبيوتر بمجرد حفظ البيانات. لقد استخدموا أساليب إحصائية للتأكد من أن النتائج متسقة وموثوقة. كما استبعدت الدراسة فكرة أن مجرد حساب متوسط النماذج أو تقنيات موازنة البيانات القياسية يمكن أن يحقق نفس المستوى من الأداء. لقد كان الجمع بين تركيب الميزات المستوحى من الكم، والموازنة البيانية المدركة للهندسة، وآلية الانتباه التكيفية، ضرورياً لنجاح العملية؛ فبدون أي جزء من هذه المكونات، انخفض الأداء، مما يثبت أن كل جزء من إطار العمل لعب دوراً حيوياً.

يشير هذا العمل إلى أنه من الممكن بناء أدوات تشخيصية عالية الدقة وعادلة باستخدام أجهزة كمبيوتر قياسية عبر استعارة مفاهيم رياضية متطورة من مجالات أخرى. لا يتطلب هذا النظام معدات تصوير باهظة الثمن مثل الأشعة السينية أو الأشعة المقطعية؛ بل يعمل مع العلامات الحيوية الأساسية ووصف الأعراض المتاحة بسهولة في معظم العيادات. وهذا يجعل هذا النهج ذا قيمة خاصة في البيئات محدودة الموارد حيث قد لا تتوفر أدوات تشخيصية متقدمة. ويؤكد الباحثون أنه بينما يتميز النظام بدقة عالية، فإنه مصمم لدعم الأطباء البشر وليس لاستبدالهم. إن قدرة النظام على شرح منطقه من حيث الآليات الفسيولوجية المعروفة تساعد في بناء الثقة وتسمح للمتخصصين الطبيين بالتحقق من المنطق الكامن وراء التشخيص.

وبالنظر إلى المستقبل، يخطط الباحثون لاختبار إطار العمل هذا على بيانات من مستشفيات وسكان متنوعين لمعرفة مدى صموده في بيئات واقعية متنوعة. كما يهدفون إلى استكشاف كيفية تعامل النظام مع البيانات التي تتغير بمرور الوقت، مثل تتبع تعافي المريض أو تطور المرض. وبينما استخدمت الدراسة الحالية حواسيب كلاسيكية لمحاكاة المفاهيم الكمومية، يشير الفريق إلى أنه مع نضوج الأجهزة الكمومية الفعلية، قد يكون من الممكن تشغيل هذه الأفكياء نفسها على معالجات كمومية فيزيائية، مما قد يوفر سرعة وقدرة أكبر. أما في الوقت الحالي، فإن الدراسة تعد دليلاً على أن التكامل المدروس للأفكار الرياضية المتقدمة مع البيانات الطبية العملية يمكن أن يؤدي إلى أدوات تشخيصية قوية وقابلة للتفسير، مما يفتح مساراً واعداً لتحسين الكشف عن أمراض الجهاز التنفسي.