A Multi-Objective GAPO-Optimized LightGBM Framework for Interpretable Ovarian Cancer Prediction

يُعد سرطان المبيض خصماً عنيداً في عالم الطب، ويرجع ذلك إلى كونه غالباً ما يتقدم بصمت، حيث لا يُظهر سوى القليل من علامات التحذير حتى ينتشر. هذا التقدم الصامت يجعل الكشف المبكر أمراً صعباً للغاية، وبحلول الوقت الذي تكتشف فيه طرق التشخيص التقليدية المرض، يكون غالباً قد فات الأوان لتطبيق العلاجات الأكثر فعالية. يعتمد الأطباء على مزيج معقد من فحوصات الدم والمؤشرات الجسدية لرصد المرض، ولكن هذه الإشارات قد تكون خفية ومتناقضة أحياناً. وفي السنوات الأخيرة، توجه العلماء نحو تعلم الآلة، وهو شكل من أشكال الذكاء الحاسوبي الذي يتعلم الأنماط من كميات هائلة من البيانات، للمساعدة في فهم هذه الإشارات المربكة. والهدف هو بناء نظام يمكنه النظر في التاريخ الطبي للمريض وفحوصات الدم، وتحديد التركيبة المحددة من العوامل التي تشير إلى الخطر، وتقديم تحذير أوضح وأبكر مما قد تسمح به الملاحظة البشرية وحدها.

في دراسة جديدة، طور باحثون من جامعة "سيكشا أون أنوساندان" (Siksha 'O' Anusandhan) في الهند إطار عمل حاسوبياً متطوراً صُمم للتنبؤ بسرطان المبيض بدقة ووضوح أكبر من الطرق السابقة. لقد جمعوا بين تقنيتين قويتين: عملية بحث رقمية تحاكي التطور الطبيعي لإيجاد أفضل الأدلة، ومحرك تعلم عالي الكفاءة يعالج تلك الأدلة للتشخيص. بدأ الفريق بمجموعة بيانات تحتوي على سجلات طبية لـ 349 مريضة، بما في ذلك 49 قياساً مختلفاً تتراوح بين مستويات الإنزيمات في الدم والعمر والحالة عند انقطاع الطمث. كان تحديهم الأول هو اختراق الضجيج؛ فمع وجود الكثير من نقاط البيانات، من السهل على الحاسوب أن يرتبك بسبب التفاصيل غير ذات الصلة. ولحل هذه المشكلة، استخدموا خوارزمية تطورية، وهي طريقة تعمل مثل "البقاء للأصلح" الرقمي، لاختبار آلاف التوليفات من الميزات والاحتفاظ بالعشر فقط التي كانت أكثر أهمية. تضمنت هذه المؤشرات العشرة الحرجة بروتينات محددة مثل HE4 وCA125، وهي معروفة بأنها علامات ورمية، بالإضافة إلى تعداد خلايا الدم البيضاء وإشارات بيوكيميائية أخرى.

بمجرد أن عزل الباحثون هذه الميزات العشر الأكثر أهمية، قاموا بتغذيتها في نسخة محسنة من نموذج تعلم يسمى LightGBM. هذا النموذج مصمم للتعلم بسرعة والتعامل مع البيانات المعقدة دون أن يغرق في تفاصيلها. وكانت النتيجة نظاماً يمكنه التمييز بين الحالات السرطانية وغير السرطانية بدقة ملحوظة. وفي اختبارهم، حدد الإطار الجديد المرض بدقة بنسبة 92 بالمائة. والأهم من ذلك، أنه رصد 96 بالمائة من حالات السرطان الفعلية، وهو مقياس حيوي في الطب لأن تفويت التشخيص أكثر خطورة من الإنذار الخاطئ. كما حافظ النظام أيضاً على مستوى عالٍ من النوعية، حيث حدد المرضى الأصحاء بدقة بنسبة 88 بالمائة، مما يساعد في منع التوتر والإجراءات غير الضرورية لأولئك الأصحاء.

ولضمان ألا يكون هذا النموذج الحاسوبي مجرد "صندوق أسود" يقدم تخمينات، استخدم الباحثون تقنية لشرح كيفية وصوله إلى استنتاجاته بدقة. وقد وجدوا أن النموذج اعتمد بشكل كبير على مستويات HE4 وCA125، مما أكد ما يعرفه الأطباء بالفعل عن هذه العلامات، ولكنه أخذ في الاعتبار أيضاً عوامل أخرى مثل نشاط الجهاز المناعي وإنزيمات الكبد. هذه الشفافية حيوية للأطباء، الذين يحتاجون إلى فهم المنطق وراء التشخيص قبل اتخاذ أي إجراء. كما اختبرت الدراسة مدى هشاشة النموذج من خلال إزالة الميزات الرئيسية واحدة تلو الأخرى. وعندما أزالوا العلامات الأكثر أهمية، انخفضت قدرة النموذج على التنبؤ بالمرض بشكل كبير، مما أثبت أن الاختيار المحدد لهذه العلامات الحيوية العشر كان هو مفتاح نجاحه.

قارن الباحثون إطار عملهم الجديد بعدة نماذج أخرى مستقرة لتعلم الآلة، مثل أشجار القرار وآلات المتجهات الداعمة. وبينما أدت بعض تلك النماذج القديمة أداءً جيداً، إلا أنها غالباً ما واجهت صعوبة في الموازنة بين إيجاد كل حالات السرطان وتجنب الإنذارات الخاطئة. وقد حقق إطار العمل الجديد (GAPO-Enhanced LightGBM) أفضل توازن، متفوقاً على الآخرين في جميع المجالات. وتخلص الدراسة إلى أن هذا النهج يقدم أداة قابلة للتوسع وقابلة للتفسير يمكن أن تساعد الأطباء في تقييم المخاطر بشكل أكثر فعالية في نهاية المطاف. ومن خلال التركيز على التركيبة الصحيحة من الإشارات البيولوجية وشرح كيفية إفضاء تلك الإشارات إلى التشخيص، نجح الباحثون في إنشاء نظام ليس دقيقاً فحسب، بل موثوق به أيضاً بما يكفي لتوجيه استراتيجيات العلاج المستقبلية وخطط التدخل المبكر المحتملة.