A 2-Level Stacking Ensemble Framework for Multi-Class Alzheimer’s Disease Diagnosis Using CNN Feature Extractors and SVM-XGBoost Classifiers

يعد تشخيص مرض ألزهايمر في مراحله المبكرة أحد أكثر التحديات إلحاحاً في الطب الحديث، وغالباً ما يعتمد على فحص الأطباء لصور الرنين المغناطيسي (MRI) للدماغ. وتكشف هذه الصور عن البنية الفيزيائية للدماغ، موضحةً كيف تتقلص مناطق مختلفة أو تتغير مع تقدم المرض عبر مراحل تتراوح من فقدان الذاكرة الخفيف جداً إلى الخرف الشديد. وبينما يمكن للخبراء البشر رصد هذه التغييرات، إلا أن المهمة صعبة لأن الفروق بين المراحل المبكرة دقيقة، كما أن تشريح الدماغ معقد. ولمساعدة البشر، توجه العلماء نحو الذكاء الاصطناعي، وتحديداً نوع من برامج الكمبيوتر يُعرف بنموذج التعلم العميق. تعمل هذه البرامج مثل المجاهر الرقمية، حيث تم تدريبها على التعرف على الأنماط في الصور الطبية التي قد تخفى على العين البشرية. ومن خلال الجمع بين رؤى عدة نماذج حاسوبية مختلفة، يأمل الباحثون في إنشاء نظام لا يكون أكثر دقة فحسب، بل وأكثر موثوقية من أي برنامج واحد يعمل بمفرده.

في دراسة حديثة، طور الباحثان شاشي كانت موريا وأجيت كر سينغ ياداف من معهد نيريست (NERIST) في الهند، نظاماً متطوراً مصمماً لتصنيف صور الدماغ إلى أربع فئات متميزة: غير مصاب بالخرف، ومصاب بخرف خفيف جداً، ومصاب بخرف خفيف، ومصاب بخرف متوسط. ويعمل نهجهم، الموصوف بأنه "تجميع متراكم ثنائي المستوى" (two-level stacking ensemble)، من خلال جمع آراء ثلاثة خبراء من الذكاء الاصطناعي ثم جعل خبير رابع أكثر خبرة يتخذ القرار النهائي. الخبراء الثلاثة الأوائل هم شبكات كمبيوتر متخصصة تم تدريبها على النظر في شرائح الرنين المغناطيسي. اثنتان من هذه الشبكات هي تصميمات معروفة ومستقرة تُسمى ResNet152 وDenseNet121، والتي استُخدمت في العديد من الدراسات السابقة. أما الخبير الثالث فهو شبكة صُممت خصيصاً لهذا المشروع، سُميت "Shashi-CNN"، وقد تم بناؤها من الصفر للتركيز على الأنسجة الفريدة الموجودة في صور الدماغ.

بدلاً من ترك هذه الشبكات الثلاث تصوت على الإجابة، جعل الباحثون هذه الشبكات تعمل معاً في تسلسل محدد. أولاً، قامت كل شبكة بتحليل صور الدماغ واستخراج قائمة مفصلة من الميزات، وهي عملية ترجمة البيانات المرئية أساساً إلى قائمة طويلة من الأرقام التي تصف حالة الدماغ. ثم جُمعت هذه القوائم وبُسطت لإزالة أي ضجيج مربك، مع الاحتفاظ بالمعلومات الأكثر أهمية فقط. وتم تغذية هذه البيانات المنقحة في مصنف من المستوى الأول، وهو نوع من الأدوات الرياضية يُعرف باسم "آلة المتجهات الداعمة" (Support Vector Machine)، والتي قدمت تنبؤاً أولياً لكل صورة. ومن الأهمية بمكان أنه لضمان عدم قيام النظام بمجرد حفظ الإجابات، قام الباحثون بتدريب هذا الطبقة الأولى باستخدام طريقة يتم فيها اختبار النموذج على بيانات لم يسبق له رؤيتها أثناء مرحلة التدريب.

تضمنت الخطوة النهائية حكماً من المستوى الثاني، وهو خوارزمية متقدمة تُسمى XGBoost، والتي عملت كـ "متعلم فوقي" (meta-learner). لم ينظر هذا الحَكم إلى صور الدماغ الخام، بل نظر إلى درجات الثقة والتنبؤات التي أنتجتها الشبكات الثلاث الأولى والمصنف من المستوى الأول. ومن خلال تحليل كيفية اتفاق أو اختلاف هؤلاء الخبراء، تعلم نموذج XGBoost كيفية وزن آرائهم، وتحديد أي خبير هو الأكثر جدارة بالثقة لكل نوع محدد من صور الدماغ. سمح هذا النهج الطبقي للنظام باكتشاف الأخطاء التي قد يغفل عنها نموذج واحد، مما خلق فعلياً فريقاً تعوض فيه نقاط ضعف أحدهم نقاط قوة الآخر.

كانت نتائج هذه الدراسة مرتفعة بشكل ملحوظ. فعند اختبارها على مجموعة بيانات تضم 6,400 شريحة من الرنين المغناطيسي للدماغ، حقق النظام الكامل معدل دقة يقترب من 99.97 بالمائة. وهذا يعني أنه من بين كل 10,000 صورة، حدد النظام المرحلة الصحيحة للخرف في 9,997 منها. وقد أدى النظام أداءً مثالياً تقريباً عبر جميع جولات الاختبار الخمس، مما أظهر مستوى من الاتساق يشير إلى أنه ليس مجرد ضربة حظ، بل إنه يفهم حقاً أنماط المرض. وبالمقارنة، وصل أفضل نموذج فردي استُخدم في الدراسة، وهو نموذج Shashi-CNN المخصص، إلى دقة تبلغ حوالي 98.4 بالمائة، بينما سجلت النماذج الراسخة الأخرى درجات أقل. وقد أكد الباحثون أن التحسن الناتج عن استخدام الفريق الكامل من النماذج كان ذا دلالة إحصائية، مما يعني أن الفرق كان حقيقياً وليس ناتجاً عن الصدفة.

ولضمان أن النظام يتخذ قراراته بناءً على الأسباب الصحيحة، استخدم الباحثون تقنية تصور تُسمى Grad-CAM. تقوم هذه الأداة بإنشاء خريطة حرارية فوق صورة الدماغ الأصلية، وتبرز المناطق المحددة التي كان الكمبيوتر ينظر إليها عندما أصدر تشخيصه. وقد أظهرت عمليات التصور أن النموذج ركز على مناطق ذات صلة تشريحية، مثل الحصين (hippocampus) والمناطق القشرية، وهي المناطق المعروفة بتقلصها لدى مرضى ألزهايمر. ولم يتشتت انتباهه بالضجيج الخلفي أو الأجزاء غير ذات الصلة من الصورة. وهذا التركيز على الهياكل البيولوجية الصحيحة يمنح الأطباء الثقة في أن النظام يتعلم عن المرض نفسه، وليس مجرد حفظ الأنماط في البيانات.

بينما حققت الدراسة نتائج تقارب المثالية على مجموعة البيانات التي استخدمتها، أشار المؤلفون إلى أن النظام لم يُختبر بعد على بيانات من مستشفيات مختلفة أو باستخدام أنواع مختلفة من أجهزة الرنين المغناطيسي. احتوت مجموعة البيانات على مزيج من صور الدماغ، ولكن فئة واحدة، والتي تمثل المرضى المصابين بخرف متوسط، كانت أصغر بكثير من الفئات الأخرى، مما قد يؤثر على كيفية تعلم النظام. وبالرغم من هذه القيود، توضح الدراسة أن الجمع بين نماذج التعلم العمما المتعددة مع نظام تصويت ذكي يمكن أن يخلق أداة قوية للتمييز بين المراحل الدقيقة لمرض ألزهايمر. وتشير النتائج إلى أن مثل هذا الإطار يمكن أن يعمل كأداة مساعدة موثوقة للغاية للتشخيص المبكر، مما قد يساعد في اكتشاف المرض عندما يكون في مرحلة يمكن علاجها.