إطار متعدد الاستراتيجيات لتعزيز تحسين صقور هاريس لمشكلات التحسين العالمية

مطاردات أكثر ذكاءً عبر البيانات

تجمع المستشفيات الحديثة كمية هائلة من المعلومات عن كل مريض — من تحاليل الدم والفحوصات إلى قراءات المستشعرات والاستبيانات. تكمن داخل كل تلك القياسات أنماط يمكن أن تساعد الأطباء في اكتشاف المرض مبكراً واختيار علاجات أفضل. لكن عندما تكون القياسات أكثر بكثير من عدد المرضى، قد ترتبك النماذج الحاسوبية التقليدية وتلتقط الضوضاء بدل الإشارات الحقيقية. تقدم هذه الورقة طريقة جديدة لمساعدة الخوارزميات على غربلة مجموعات بيانات طبية هائلة للعثور على مجموعة صغيرة وموثوقة من المؤشرات التي تظل قادرة على التنبؤ بالمرض بدقة.

لماذا قد تضر كثرة المعلومات

قد تتضمن مجموعات البيانات الطبية اليوم عشرات أو حتى آلاف القياسات لكل شخص، بينما يظل عدد المرضى محدوداً نسبياً. هذه اللامساواة تجعل النماذج الحاسوبية عرضة لـ«الإفراط في التخصيص» (overfitting)، حيث تبدو ممتازة على البيانات القديمة لكنها تفشل مع مرضى جدد. أحد العلاجات الفعالة هو اختيار الميزات: بدلاً من إدخال كل قيمة مختبرية وقياس فحص في النموذج، تبحث الخوارزمية أولاً عن مجموعة مدمجة من أكثر الميزات إفادة. أداة تشخيص تعتمد على مجموعة قليلة من العلامات الحيوية الرئيسية ليست أسهل للتدريب وأسرع للتشغيل فحسب، بل هي أيضاً أكثر وضوحاً للأطباء، الذين يمكنهم تفسير سبب اتخاذ القرار.

مستوحى من صقور في الصيد

لاختيار تلك المجموعة المثالية من الميزات، يبني المؤلفون على تقنية مستوحاة من الطبيعة تسمى تحسين صقور هاريس. في هذا التشبيه، تمثل كل مجموعة ميزات محتملة «مقاماً» لصقر، ويقلد البحث عن أفضل مجموعة صيداً منسقاً عبر منظر إمكانات الحلول. خوارزمية صقور هاريس القياسية جيدة في التجوال على نطاق واسع ثم الاقتراب من المناطق الواعدة، لكنها قد تظل عالقة تحوم حول قمة خادعة — حل يبدو جيداً محلياً لكنه ليس الأفضل حقاً. هذه النكسات مكلفة بشكل خاص في الطب، حيث يجب تقييم كل حل تجريبي بتدريب واختبار مصنف، وهي خطوة تستغرق وقتاً.

ثلاث خدع جديدة للقطيع

تقترح الورقة إطاراً معدلًا أطلقوا عليه MHHO، يمنح الصقور الافتراضية ثلاث استراتيجيات جديدة. أولاً، خطوة «التماسق بقيادة القائد» تدفع الصقور المستكشفة إلى إيلاء مزيد من الاهتمام للحل الأفضل الحالي بدلاً من التجول عشوائياً خلف أقرانها، مما يساعد البحث على الوصول إلى المناطق الواعدة أسرع. ثانياً، عامل خداع متكيف يراقب علامات توقف التقدم؛ عندما يحدث ذلك، يعزز مؤقتاً حجم القفزات العشوائية لدى الصقور حتى تتمكن من القفز خارج الفخاخ المحلية، ثم يخفف هذه القفزات مرة أخرى بمجرد استئناف التحسن للتنقيح الدقيق. ثالثاً، استراتيجية هجوم هرمية تغير كيفية الهجوم النهائي: بدلاً من غوص كل صقر مباشرة على نفس النقطة، يتلقى كل واحد توجيهاً من «مرشد» صقر أفضل قليلاً، مقترباً من الهدف من زوايا متعددة ومنع تجمع القطيع بكثافة مبكرة جداً.

الاختبار على مسائل رياضية ومرضى حقيقيين

لاختبار ما إذا كانت هذه السلوكيات الجديدة فعالة، نفذ المؤلفون حملتي اختبار رئيسيتين. في الأولى، واجه MHHO والطريقة الأصلية 23 مسألة معيارية رياضية تُستخدم على نطاق واسع لتحدي خوارزميات التحسين. حقق MHHO نتائج أفضل في معظمها، متقارباً أسرع وبدقة أكبر نحو القيمة الأفضل الحقيقية، مع استهلاك وقت حسابي أعلى قليلاً. في الحملة الثانية، استخدمت الفرق MHHO كأداة اختيار ميزات على 15 مجموعة بيانات طبية متاحة علناً، بما في ذلك سرطان الثدي وأمراض القلب واضطرابات الغدة الدرقية ومرض باركنسون واعتلال الشبكية السكري. لكل تجربة، قيّم مصنف آلة ناقل الدعم مدى قدرة مجموعة الميزات المعطاة على التمييز بين السليم والمريض (أو بين فئات تشخيصية متعددة).

اختبارات أقل، إجابات أوضح

عبر هذه دراسات الحالة الطبية، وجد MHHO عادة مجموعات ميزات صغيرة جداً — غالباً قياسان أو قياس واحد فقط — قدمت دقة تصنيف مساوية أو أعلى مقارنة بالنهج الأصلي. كما أنتج حلولاً أكثر استقراراً: كانت العمليات المتكررة تميل لاختيار مجموعات مماثلة وتحقيق دقة مشابهة، وهي خاصية مهمة عندما يطالب الأطباء والمنظمون بإمكانية إعادة الإنتاج. أكدت الاختبارات الإحصائية أن كل من الاستراتيجيات الثلاث المضافة أسهمت بتحسينات ذات دلالة، وأنها معاً وفرت توازناً مرضياً بين الدقة والندرة. عملياً، يعني هذا أن أدوات تشخيص مستقبلية يمكن أن تُبنى على لوحة نحيلة من الاختبارات عالية الإفادة، مما يقلل التكلفة والتعقيد مع الحفاظ على الموثوقية.

ما الذي يعنيه هذا للمرضى والممارسين

لغير المتخصصين، الرسالة الأساسية هي أن استراتيجيات البحث الأفضل داخل نظم التعلم الآلي يمكن أن تجعل الذكاء الاصطناعي الطبي أذكى وأكثر بساطة في آن واحد. عبر تنسيق صقور افتراضية تستكشف، وتتفادَى الفخاخ، وتحسن دقتها بذكاء، يساعد الإطار المقترح الحواسيب على التركيز على القياسات القليلة الأكثر أهمية. على الرغم من أن الطريقة لا تزال تتطلب مزيداً من التحقق خارج المجال الطبي وتضيف بعض العبء الحسابي، فإنها تُظهر كيف أن التصميم الدقيق لأساليب التحسين يمكن أن يقربنا من نماذج تشخيصية دقيقة ومستقرة وأسهل على الأطباء فهمها وتبنيها.

الاستشهاد: Al-Adwan, S., Abdullah, S., Alweshah, M. et al. A multi-strategy framework for enhancing Harris hawks optimization for global optimization problems. Sci Rep 16, 10614 (2026). https://doi.org/10.1038/s41598-026-45741-5

الكلمات المفتاحية: اختيار الميزات, التشخيص الطبي, التحسين التوافقي الفوقي, خوارزمية صقور هاريس, البيانات عالية البعد