Cardio Fusion: A Dual-Stream Regularized Fusion Architecture for Generalizable Cardiovascular Disease Prediction Under Dataset Heterogeneity

لا تزال أمراض القلب هي السبب الرئيسي للوفاة في جميع أنحاء العالم، حيث تحصد ما يقرب من 18 مليون روح كل عام. تنشأ هذه الحالة من مزيج معقد من العوامل، بما في ذلك العمر، وضغط الدم، ومستويات الكوليسترول، والعادات المعيشية مثل التدخين. وبينما يعتمد الأطباء على الفحوصات البدنية والاختبارات المتخصصة لتشخيص هذه المشكلات، وهي طرق يمكن أن تكون مكلفة وتتطلب توافر أخصائيين نادرين، فقد دفع هذا الأمر نحو البحث عن أنظمة حاسوبية يمكنها المساعدة في التنبؤ بالمخاطر، لتعمل كمكمل قابل للتوسع للرعاية التقليدية. ومع ذلك، يواجه بناء هذه الأنظمة عقبة مستمرة: وهي أن البيانات التي تتعلم منها غالبًا ما تكون فوضوية، أو غير كاملة، أو مستمدة من مجموعات صغيرة من المرضى لا تمثل السكان على نطاق أوسع. وعندما يتم تدريب نموذج حاسوبي على مجموعة ضيقة من المعلومات، فإنه غالبًا ما يفشل عند مواجهة مريض جديد يبدو مختلفًا على الورق، مما يؤدي إلى تنبؤات غير موثوقة.

ولمعالجة هذا التحدي، طور الباحثون كيه. بادميني، ونيليش ف. إنغالي، وف. أرونا نهجًا جديدًا يسمى "كارديو فيوجن" (Cardio Fusion). فبدلاً من الاعتماد على خوارزمية حاسوبية واحدة لإجراء التشخيص، أنشأوا نظامًا يحاكي فريقًا من المتخصصين يعملون معًا. تم تصميم البنية للتعامل مع نوعين مختلفين تمامًا من المعلومات الطبية في آن واحد؛ حيث يعالج أحد المسارين سجلات المرضى القياسية، مثل العمر وضغط الدم والكوليسترول، والتي تُخزن في جداول. أما المسار الآخر فقد بُني لتحليل الصور الطبية أو آثار نظم القلب، المعروفة باسم تخطيط كهربائية القلب. ومن خلال معالجة هذين المصدرين من المعلومات بشكل منفصل قبل دمج استنتاجاتهما، يهدف النظام إلى أن يكون أكثر قوة وقدرة على التكيف مع الطرق المتنوعة التي تظهر بها أمراض القلب لدى الأشخاص المختلفين.

يتضمن الجوهر الأساسي لهذا الأسلوب الجديد عملية اختيار دقيقة قبل إجراء أي تنبؤ. فالسجلات الطبية غالبًا ما تحتوي على عشرات القياسات، والعديد منها قد يكون مؤشرات ضعيفة للمرض أو مجرد ضجيج. استخدم الباحثون تقنية رياضية لغربلة هذه البيانات وتحديد أقوى المتنبئات لكل مجموعة محددة من المرضى. فعلى سبيل المثال، في إحدى مجموعات البيانات الكبيرة، حدد النظام أن ضغط الدم الانقباضي والعمر ومستويات الجلوكوز كانت العوامل الأكثر أهمية، بينما في مجموعة بيانات أخرى، حظيت قياسات مختلفة بالأولوية. وهذا يضمن عدم تشتت الحاسوب بالتفاصيل غير ذات الصلية. وبمجرد اختيار الميزات الأكثر أهمية، يقوم النظام بتغذيتها في "فرع جدولي"، وهو فريق هجين من أربع خوارزميات مختلفة تعمل بانسجام. يتضمن هذا الفريق شبكة عصبية عميقة — وهي أداة معقدة للتعرف على الأنماط — إلى جانب ثلاثة مصنفات تقليدية أخرى. وتصوت هذه النماذج الأربعة على النتيجة، مع ترجيح القرار النهائي بناءً على مدى ثقة كل نموذج في إجابته الخاصة.

بالتوازي مع ذلك، يتضمن النظام "فرعًا تصويريًا" قادرًا على تحليل فحوصات القلب أو الإشارات الكهربائية باستخدام نماذج التعلم العميق المتقدمة. هذه النماذج مصممة لرصد الأنماط البصرية الدقيقة التي قد تخفى على العين البشرية. ومن الأهمية بمكان أن يعمل هذان الفرعان بشكل مستقل؛ فإذا كان المستشفى يمتلك سجلات المرضى فقط ولا يمتلك صورًا، فلا يزال بإمكان النظام العمل باستخدام الفرع الجدولي وحده. وإذا توفرت الصور، يقوم النظام بمعالجتها بشكل منفصل ثم يدمج الاستنتاجات بينهما. ويسمح هذا التصميم باختبار الإطار على مجموعة متنوعة من مجموعات البيانات، بدءًا من المجموعات الصغيرة التي تعود لعقود مضت وصولاً إلى السجلات الضخمة والحديثة التي تحتوي على عشرات الآلاف من المرضى.

اختبر الباحثون نظامهم على ست مجموعات بيانات مختلفة لمعرفة مدى صموده تحت الضغط. وفي مجموعة بيانات كلاسيكية صغيرة تُعرف باسم "كليفيلاند" (Cleveland benchmark)، حقق النظام دقة بلغت 96.5%، وهي نتيجة تنافسية مع أفضل الأساليب الموجودة. ومع ذلك، فإن الاختبار الحقيقي لأي أداة طبية هو ما إذا كانت ستعمل على مجموعات سكانية أكبر وأكثر تنوعًا. وقد أعاد الفريق تنفيذ نظامهم بالكامل على مجموعة بيانات ثانية أكبر بكثير من موقع "كاجل" (Kaggle)، والتي احتوت على أكثر من 68,000 سجل مريض. وفي هذا الاختبار الأكبر، حقق النظام دقة بلغت 73.95% وقدرة قوية على التمييز بين المرضى والأصحاء، مقاسة بدرجة 80.57%.

إن انخفاض الدقة من مجموعة البيانات الأصغر إلى الكبرى لم يكن فشلًا للنظام، بل كان انعكاسًا للبيانات نفسها. فقد كانت مجموعة البيانات الأكبر تحتوي فقط على معلومات حول نمط الحياة والعلامات الحيوية، وتفتقر إلى بيانات إيقاع القلب وآلام الصدر التفصيلية المتوفرة في مجموعات البيانات الأصغر والأكثر تحديدًا. ووجد الباحثون أنه بغض النظر عن مدى تطور الخوارزمية، فإنها لا تستطيع التنبؤ بما لم تُعطَ إياه. وتؤكد هذه النتيجة استنتاجًا رئيسيًا للدراسة: وهو أن مجرد تغذية الحاسوب بمزيد من البيانات لا يضمن نتائج أفضل. بدلاً من ذلك، فإن جودة الميزات المختارة وطريقة دمج النماذج المختلفة هي الأكثر أهمية. وتجادل الدراسة بأن النظام الهجين جيد التنظيم — الذي يمنع الحاسوب من حفظ الضجيج ويجبره على تعلم الأنماط العامة — هو أكثر موثوقية من الخوارزمية الواحدة المعقدة.

من خلال الجمع بين اختيار الميزات المحسنة والبنية ثنائية المسار، يثبت إطار "كارديو فيوجن" أنه من الممكن بناء أداة تنبؤ تكون دقيقة ومرنة في آن واحد. فهو يعمل بشكل جيد مع مجموعات البيانات الصغيرة والمحددة، مع الحفاظ على هيكله للتعامل مع البيانات الكبيرة وغير المتجانسة. ويشير الباحثون إلى أنه بينما يعد نظامهم خطوة كبيرة للأمام، إلا أنه ليس حلاً نهائيًا. وسيتضمن العمل المستقبلي اختبار النظام على مجموعات أكثر تنوعًا، ودمج أدوات تشرح لماذا اتخذ الحاسوب تنبؤًا معينًا، مما يساعد الأطباء على الثقة في نصيحة الآلة. وفي الوقت الحالي، توفر الدراسة مسارًا واضحًا نحو أدوات أكثر موثوقية وقابلية للتعميم، يمكنها يومًا ما أن تجلس جنبًا إلى جنب مع الأطباء، للمساعدة في تحديد مخاطر أمراض القلب لدى المرضى الذين قد يتم إغفالهم لولا ذلك.