نهج هجيني لاختيار الميزات يقوده الذكاء الاصطناعي القابل للتفسير لتشخيص مرض الشريان التاجي

لماذا هذا مهم لقلبك

مرض الشريان التاجي هو الحالة الكامنة وراء الكثير من النوبات القلبية، وغالبًا ما يبقى مختبئًا حتى يحدث تلف كبير. لدى الأطباء العديد من الاختبارات، لكن كثيرًا منها مكلف أو تدخلي أو يصعب الوصول إليه، خاصة في البلدان ذات الدخل المنخفض والمتوسط. تستكشف هذه الورقة كيف يمكن لنوع جديد من الذكاء الاصطناعي القابل للتفسير أن ينقّب في المعلومات الطبية الروتينية لاكتشاف من هم عرضة للخطر، مستخدمًا قياسات أقل مع إعطاء الأطباء رؤية واضحة حول العلامات التي تهم فعلاً.

مشكلة فائض المعلومات

يمكن للطب الحديث قياس عشرات الصفات لكل مريض قلب: العمر، ضغط الدم، قيم المختبر، الأعراض، ونتائج الصور وتخطيط القلب. لكن ليست كل هذه المؤشرات مفيدة بنفس الدرجة. قد يؤدي استخدام العديد من القياسات الضعيفة أو المكررة إلى إرباك نماذج الحاسوب، وإبطائها، وجعل تنبؤاتها أقل موثوقية. حاولت دراسات سابقة تقليم هذه القائمة بعدة طرق، لكن لم يثبت أن طريقة واحدة تعمل الأفضل بشكل دائم، وكانت معظمها تعمل كصناديق سوداء تقدم تبريرًا ضئيلًا لسبب احتفاظها بميزة معينة أو استبعادها.

طريقة أذكى لاختيار المؤشرات الصحيحة

يقترح المؤلفون طريقة من خطوتين تسمى SHOW (SHAP Optimized Wrapper) لمعالجة هذه المسألة. أولًا، يستخدمون تقنية ذكاء اصطناعي قابلة للتفسير تعرف باسم SHAP لتقدير مدى مساهمة كل ميزة طبية في التنبؤ بمرض الشريان التاجي. يفعلون ذلك بشكل منفصل لثلاثة نماذج تعلم آلي قوية تتناول المشكلة بطرق مختلفة. ثم يدمجون هذه الرؤى الثلاث في ترتيب ميزات مستقر واحد، حتى لا يعتمدوا على خصوصيات نموذج واحد. ينتج عن ذلك قائمة مرتبة من أكثر المؤشرات السريرية إفادة إلى الأقل فائدة.

بناء نماذج تنبؤ نحيفة ودقيقة

في الخطوة الثانية، يمشي SHOW على هذه القائمة المرتبة تدريجيًا ويبني مجموعة ميزات لكل مصنف. يبدأ بالميزة الأعلى، يدرب نموذجًا، ثم يضيف التالية في الترتيب. إذا حسّن إضافة ميزة جديدة الدقة، تبقى؛ وإذا لم تفعل، تُستبعد. يستمر ذلك حتى لا تظهر تحسينات إضافية. على طول الطريق، تُحضّر البيانات بعناية: تُزال الإدخالات المفقودة، وتُعاد موازنة حالات المرض النادرة باستخدام تقنية زيادة أخذ العينات القياسية، وتُقيَّم القيم العددية حتى لا تهيمن قياس واحد لمجرد نطاقه الخام.

وضع الطريقة للاختبار

لاختبار ما إذا كان SHOW مفيدًا حقًا، اختبر الفريق الطريقة على ثلاث مجموعات بيانات معروفة عن مرض الشريان التاجي تختلف في الحجم والتعقيد ونسبة المرضى المصابين فعليًا. جرّبوا سبعة نماذج تعلم آلي شائعة، من الانحدار اللوجستي البسيط إلى تقنيات متقدمة مثل الغابات العشوائية وXGBoost. لكل مجموعة بيانات، قارنوا الأداء باستخدام كل الميزات المتاحة مقابل تلك التي اختارها SHOW فقط، مع تكرار الاختبارات عدة مرات في نظام تحقق متقاطع لتجنب النتائج العشوائية. كما تتبعوا ليس فقط الدقة الإجمالية بل أيضًا مدى تجنب النماذج لفقدان المرضى المرضى ومدى وضوح الفصل بين الحالات الصحية والمريضة.

ما وجدوه في بيانات المرضى الحقيقية

عبر جميع مجموعات البيانات الثلاث، سمح SHOW باستمرار لنموذج XGBoost بمضاهاة أو التفوق على أفضل النتائج المبلغ عنها في الأدبيات بينما استخدم مدخلات أقل بكثير. على سبيل المثال، في مجموعة بيانات تضم 55 ميزة سريرية، قلّص SHOW القائمة إلى 14 ميزة مع تحقيق دقة تقارب 94% وحساسية عالية مماثلة، ما يعني أن معظم المرضى المصابين تم وسمهم بشكل صحيح. في مجموعتين أخريين كل منهما به 13 ميزة، اختارت الطريقة 5 ميزات فقط مع الحفاظ على دقة تبلغ نحو 86–88%. عمليًا، يشير هذا إلى أن حفنة مركزة من القياسات — مثل أنواع محددة من ألم الصدر، نتائج مختبرية رئيسية، وعلامات تصويرية معينة — يمكن أن تحمل معظم الوزن التشخيصي إذا ما اختيرت بحكمة.

نظرة مستقبلية نحو فحوصات قلب أبسط وأكثر وضوحًا

تُظهر الدراسة أن الذكاء الاصطناعي القابل للتفسير يمكنه أن يفعل أكثر من مجرد إصدار تنبؤات؛ يمكنه أن يساعد في توضيح العلامات السريرية اليومية التي تهم فعلاً في تشخيص مرض الشريان التاجي. من خلال تحديد مجموعة صغيرة عالية القيمة من القياسات، قد يدعم SHOW أدوات فحص أرخص وأسرع وما زالت عالية الموثوقية وأكثر شفافية للأطباء. ومع أن الطريقة تحتاج إلى قدر حسابي كبير وسيستلزم تبسيطها لمجموعات بيانات ضخمة جدًا، فإنها تقدم مسارًا واعدًا نحو مساعدين ذكيين ومفهومين أكثر يساعدون الأطباء على اكتشاف أمراض القلب مبكرًا دون غرق في البيانات.

الاستشهاد: Elemam, T., Refaat, H. & Makhlouf, M. An explainable AI-driven hybrid feature selection approach for coronary artery disease diagnosis. Sci Rep 16, 10411 (2026). https://doi.org/10.1038/s41598-026-41712-y

الكلمات المفتاحية: مرض الشريان التاجي, الذكاء الاصطناعي القابل للتفسير, اختيار الميزات, التشخيص الطبي, التعلّم الآلي