التحليل المقارن للنماذج المراقَبة والنماذج التجميعية مع الاستكشاف غير المراقَب لتنبؤ مرض ألزهايمر

لماذا يهم الإنذار المبكر

يستولي مرض ألزهايمر تدريجياً على ذاكرة الناس واستقلاليتهم، وغالباً ما يحدث ذلك قبل تشخيص نهائي بوقت طويل. تستفيد العائلات والأطباء وأنظمة الرعاية الصحية عندما تُكتشَف علامات التحذير مبكراً، لأن العلاج والتخطيط والدعم يمكن أن يكون لها أكبر أثر في هذه المرحلة. يطرح هذا البحث سؤالاً عملياً: هل يمكن لبرامج حاسوبية مصممة بعناية، ومدرَّبة على معلومات سريرية وروتينية وصور دماغية، أن تكشف الخرف بدقة أكثر من الأدوات القياسية الحالية—وبنفس الوقت تكشف أنماطاً خفية في تطور المرض؟

تحويل سجلات المرضى إلى إشارات قابلة للاستخدام

استند الباحثون إلى مجموعة بيانات معروفة تسمى OASIS-2، التي تتابع 150 بالغاً مسناً تتراوح أعمارهم بين 60 و96 عاماً على مدى عدة سنوات. تتضمن كل زيارة معلومات أساسية مثل العمر وعدد سنوات التعليم والوضع الاجتماعي والاقتصادي، بالإضافة إلى درجات اختبارات الإدراك وقياسات مشتقة من صور الرنين المغناطيسي للدماغ، مثل حجم الدماغ الكلي. قبل أي توقع، نظف الفريق البيانات وأزال المعرفات والحالات غير الواضحة، وعالج عدداً قليلاً من القيم المفقودة، ووحَّد مقياس جميع القياسات العددية. كما تعاملوا مع مشكلة واقعية مهمة: الأفراد الأصحاء كانوا أكثر عدداً بكثير في مجموعة البيانات مقارنة بالمصابين بالخرف. ولمنع النماذج من الاكتفاء بتخمين «لا خرف» في معظم الأوقات، استخدم الباحثون أساليب ترجيح تجعل الأخطاء على المجموعة الأصغر المصابة بالخرف تزن أكثر أثناء التدريب.

مقارنة الأدوات التقليدية مع فرق النماذج

بواسطة هذه المجموعة المُعَدَّة، قارن المؤلفون أدوات تعلم الآلة المألوفة مع «التجمعات» الأكثر تقدماً، التي تجمع عدة نماذج في متنبئ أقوى. شملت المجموعة التقليدية الانحدار اللوجستي، والأشجار القرار، وآلات المتجهات الداعمة، والغابات العشوائية. واشتملت مجموعة التجميع على AdaBoost وXGBoost ونموذج تصويت بالأغلبية يجمع ثلاثة مصنفات مضبوطة. دُرِّبت جميع النماذج على جزء من البيانات واختُبرت على حالات محجوزة، وقِيِّمت الأداءات باستخدام الدقة، والقدرة على التعرف الصحيح على الأفراد المصابين بالخرف (الاستدعاء)، والمساحة تحت منحنى ROC، وهو ملخص لمدى نجاح النموذج في فصل الحالات السليمة عن المصابة.

عندما تتفوق العقول الكثيرة على الواحد

كانت النتائج المواجهة مباشرة وواضحة. بينما قدَّمت أفضل الطرق التقليدية أداء معقولاً، إلا أنها وصلت إلى مستوى استقرار مُشابَه لما ذُكر في دراسات سابقة، بدقات اختبار في نطاق الثمانينيات المبكرة إلى المتوسطة بالمئة. على النقيض من ذلك، وصل نموذج التصويت بالأغلبية إلى نحو 95 بالمئة دقة ودرجة ROC عالية مماثلة، متجاوزاً معيار 92 بالمئة المشار إليه عادةً. كما تفوق AdaBoost ونماذج التجميع الأخرى على أي نموذج تقليدي منفرد. تنبع هذه الأفضلية من أن الخوارزميات المختلفة تلتقط جوانب مختلفة من البيانات؛ وبسماحها «بالتصويت» يتم تسوية الخصائص الفردية وفرط الملاءمة، مما يؤدي إلى تنبؤات أكثر استقراراً. ثمن هذا الربح هو انخفاض الشفافية: يصبح من الأصعب إدراك سبب اتخاذ التجميع لقرار معين مقارنةً بانحدار بسيط أو شجرة واحدة.

البحث عن تجمّعات طبيعية في البيانات

بعيداً عن مسألة من لديه خرف، تساءل الباحثون أيضاً كيف يتجمع المرضى طبيعياً بغض النظر عن تسميات التشخيص. للقيام بذلك، حوّلوا كل المتغيرات المستمرة إلى فئات مرتبة—مثل نطاقات العمر أو حجم الدماغ—واستخدموا تقنية تُدعى التحليل متعدد المراسلات لضغط هذه المعلومات الغنية إلى عدد قليل من الأبعاد الأساسية. ثم استعملوا تجميع k-means لتقسيم هذه النقاط إلى عدد صغير من المجموعات المتماسكة. بعض العناقيد كانت يغلب عليها أشخاص ب behoud حجم دماغ سليم ودرجات إدراكية طبيعية، بينما احتوت أخرى أفراداً ذوي حجم دماغ منخفض، ونتائج اختبار سيئة، وتصنيفات خرف أشد. أن توافق هذه العناقيد غير المراقَبة مع الحالة السريرية يشير إلى أن البيانات تحمل إشارة قوية ومتسقة حول خطر المرض وتقدمه.

ماذا يعني هذا للمرضى والأطباء

الخلاصة للقارئ العام بسيطة: عندما تُصمم بعناية، يمكن لفرق نماذج تعلم الآلة اكتشاف الخرف المرتبط بمرض ألزهايمر في بيانات سريرية مُنظَّمة بدقة أكثر من الطرق القديمة، ويمكنهم فعل ذلك باستخدام معلومات تجمعها العديد من العيادات بالفعل. وفي الوقت نفسه، تكشف تقنيات الاستكشاف أن الناس يقعون ضمن ملفات مميزة لصحة الدماغ والوظيفة المعرفية، ما يوحي بمسارات مختلفة قد يسلكها المرض. على الرغم من أن الدراسة محدودة بحجم عينتها المتواضع وبصعوبة تفسير النماذج التجميعية، إلا أنها تُظهر أن الجمع بين التنبؤ القوي والتحليل الاستكشافي الدقيق يمكن أن يُحَسّن الكشف المبكر ويُعمِّق فهمنا لكيفية استيلاء ألزهايمر على الوظائف المعرفية.

الاستشهاد: Amr, Y., Gad, W., Leiva, V. et al. Comparative analysis of supervised and ensemble models with unsupervised exploration for alzheimer’s disease prediction. Sci Rep 16, 7322 (2026). https://doi.org/10.1038/s41598-026-37122-9

الكلمات المفتاحية: مرض ألزهايمر, تنبؤ الخرف, تعلم الآلة, النماذج التجميعية, تصوير الدماغ