💻 علوم الحاسوب

An Adaptive Balancing and Threshold-Tuning Framework with Hybrid Feature Selection for Liver Disease Classification

تقترح هذه الورقة إطاراً تكيفياً لتعلم الآلة يدمج بين اختيار الميزات الهجين خماسي المعايير مع الموازنة التكيفية وضبط العتبة لمعالجة عدم توازن الفئات وتكرار الميزات بفعالية في التنبؤ بأمراض الكبد، محققاً استدعاءً عالياً وأداءً قوياً على مجموعتي بيانات ILPD وLDPD.

المؤلفون الأصليون: Ahood Aldalbahi, Samia Dardouri

نُشر 2026-10-23

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Ahood Aldalbahi, Samia Dardouri

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

يُعد مرض الكبد تهديداً صامتاً؛ فهو غالباً ما يتطور دون علامات تحذيرية، منتقلاً من خلل وظيفي طفيف إلى فشل حاد بينما يشعر الشخص بصحة مثالية. وبحلول الوقت الذي تظهر فيه الأعراض، قد تكون نافذة العلاج الفعال قد أُغلقت بالفعل. هذا الواقع يجعل الاكتشاف المبكر مسألة حياة أو موت، ومع ذلك، فإن تشخيص الحالة مبكراً أمر صعب للغاية. يعتمد الأطباء على مجموعة من فحوصات الدم لرصد المشكلات، لكن تفسير هذه الأرقام عملية معقدة؛ إذ يمكن أن تتباين القيم بشكل كبير بين المرضى، وتتداخل بين الأصحاء والمرضى، وغالباً ما تُشوهها القيم المتطرفة. علاوة على ذلك، فإن البيانات الطبية غالباً ما تكون غير متوازنة؛ ففي العديد من مجموعات البيانات، يكون توزيع المرضى الأصحاء والمرضى غير متساوٍ، مما قد يخدع البرامج الحاسوبية ويجعلها تتجاهل الحالات التي تحتاج حقاً للعثور عليها.

لسنوات، حاول الباحثون بناء نماذج حاسوبية للمساعدة في فك هذا الارتباك، باستخدام خوارزميات لإيجال أنماط في فحوصات الدم قد يغفل عنها البشر. ومع ذلك، تعثرت العديد من هذه المحاولات بسبب الطبيعة الفوضوية للبيانات الطبية في العالم الحقيقي. فهي غالباً ما تتعامل مع خطوات تنظيف البيانات، واختيار الاختبارات التي يجب النظر إليها، وتحديد كيفية وزن النتائج، كمهام منفصلة. تقدم هذه الورقة البحثية نهجاً جديداً ينسج هذه الخطوات معاً في نظام واحد تكيفي مصمم خصيصاً لاكتشاف المرضى المصابين مبكراً، حتى عندما تكون البيانات غير مثالية.

بدأ الباحثون بمجموعة معروفة من السجلات الطبية من الهند، تحتوي على معلومات عن مئات المرضى. وكانوا يعلمون أن هذه البيانات معيبة: فقد احتوت على قيم مفقودة، وقيم متطرفة شديدة، واختلال حاد حيث يفوق عدد حالات أمراض الكبد عدد الأصحاء بأكثر من اثنين إلى واحد. وبدلاً من إجبار البيانات على التوافق مع نموذج قياسي، بنوا إطار عمل يتكيف مع عيوب هذه البيانات. يعمل الجزء الأول من نظامهم كـ "محرر صارم" للاختبارات الطبية؛ حيث يقيم كل مؤشر دم متاح وكل مزيج هندسي من المؤشرات مقابل خمسة معايير محددة: مدى قدرته على التنبؤ بالمرض، ومدى وضوح فصله بين المصابين والأصحاء، ومدى استقراره عند اختباره على مجموعات مختلفة من المرضى، ومدى تكراره للمعلومات المقدمة بالفعل من اختبارات أخرى، وعدد الاختبارات المعملية الأصلية المطلوبة فعلياً لحسابه.

هذه العملية المتمثلة في "اختيار الميزات الهجين"، والتي أطلق عليها المؤلفون اسم (5C-HFS)، قلصت المجال من قائمة طويلة من المؤشرات المحتملة إلى خمس ميزات رئيسية فقط. وشملت هذه الميزات درجة محسوبة تمثل الإجهاد الكبدي، وعمر المريض، ونسباً محددة من البيليروبين والإنزيمات. ومن الأهمية بمكان أن هذه الميزات الخمس تم اختيارها لأنه يمكن استخلاصها من سبعة فحوصات دم قياسية فقط، مما يجعل عملية الفحص عملية عملية في العيادات الحقيقية. ثم انتقل النظام إلى مرحلته الثانية، والتي تعالج مشكلة عدم التوازن. ففي العديد من مجموعات البيانات الطبية، "يتعلم" الحاسوب تجاهل المجموعة الأقلية لأنه من الأسهل أن يكون مصيباً عبر التخمين لصالح الأغلبية. اختبر الباحثون ست طرق مختلفة لإصلاح هذه المشكلة، بما في ذلك الأساليب التي تنشئ أمثلة اصطناعية للمرضى المصابين لتعليم النموذج بشكل أفضل. ووجدوا أنه بالنسبة لهذه المجموعة من البيانات تحديداً، فإن التقنية التي تولد عينات اصطناعية كانت هي الأفضل، لكنهم لم يتوقفوا عند هذا الحد؛ بل قاموا أيضاً بتعديل "عتبة القرار" – وهي النقطة التي يقرر عندها الحاسوب ما إذا كان المريض مريضاً أم لا. فبدلاً من استخدام حد قياسي قدره 50-50، قاموا بخفض المعيار للإمساك بمزيد من الحالات المحتملة، مع منح الأولوية لاكتشاف المرضى المصابين على حساب خطر الإنذار الخاطئ.

كانت النتيجة النهائية نموذجاً حاسوبياً يعتمد على خوارزمية قوية تُعرف باسم (CatBoost)، تم تدريبها على هذه البيانات المنقحة والمتوازنة. وعند اختباره على مجموعة سجلات مغلقة لم يرها النموذج من قبل، حقق معدل (AUC) قدره 0.8. والأهم من ذلك، أنه نجح في تحديد 91.6 بالمائة من المرضى الذين يعانون بالفعل من أمراض الكبد. وبينما أخطأ في بعض الحالات لبعض الأصحاء (بنسبة نوعية بلغت 50 بالمائة)، إلا أن هذه المقايضة كانت متعمدة: ففي الفحص المبكر، يكون تفويت مريض مصاب أخطر بكثير من رفع حالة شخص سليم للفحص الإضافي. كما اختبر الباحثون هذا النظام التكيفي على مجموعة بيانات أكبر ومختلفة من مستودع عام يحتوي على آلاف السجلات. وفي تلك الحالة، حدد النظام بشكل صحيح أنه لا توجد حاجة لتوليد بيانات اصطناعية وعدل عتبته وفقاً لذلك، مما يثبت أن إطار العمل لا يعتمد على قاعدة ثابتة واحدة، بل يتكيف مع البنية المحددة للبيانات التي يتلقاها.

ولضمان قدرة الأطباء على الثقة في النظام، أضاف الباحثون طبقة من "القابلية للتفسير". فقد أظهروا أن قرارات النموذج كانت مدفوعة بنفس الميزات التي قد ينظر فيها الخبير البشري، مثل درجات الإجهاد الكبدي ومستويات الإنزيمات، وليس بناءً على ظواهر رياضية غامضة. حتى أنهم بنوا واجهة نموذجية بسيطة تأخذ نتائج المختبر الخاصة بالمريض وتعيد احتمالية الخطر مع شرح واضح للعوامل التي ساهمت في تلك الدرجة. وتخلص الدراسة إلى أنه بينما لا يعد إطار العمل هذا أداة تشخيصية مستقلة، فإنه يقدم طريقة قوية، وقابلة للتفسير، وعالية الحساسية للفحص المبكر. ومن خلال الجمع بين الاختيار الدقيق للميزات، والموازنة التكيفية، وضبط العتبة، يتمكن النظام من العثور على المرضى الذين قد يتسللون من بين الشقوق، مما يقدم خطوة واعدة نحو دعم اتخاذ القرار السريري بشكل أكثر أماناً وفعالية.

أبحاث مشابهة