نظام دعم قرار ضبابي متمركز حول الإنسان للتشخيص الطبي باستخدام خرائط معرفية ضبابية

لماذا هذه الأداة الطبية الجديدة مهمة

عندما يقرر الأطباء ما إذا كان المريض قد يعاني من مرض قلبي أو سرطان أو حالة خطيرة أخرى، فإنهم يوازنون بين العديد من القرائن في آن واحد: أرقام من التحاليل المخبرية، أوصاف الألم، نتائج الفحوصات التصويرية، وسنوات الخبرة. تستطيع العديد من برامج الحاسوب اكتشاف أنماط في هذه البيانات، لكنها غالبًا ما تعمل كصناديق مغلقة يصعب رؤية منطقها الداخلي أو الطعن فيه. تقدم هذه الورقة أداة دعم قرار تحاول التفكير بشكل أقرب إلى طريقة عمل الأطباء، باستخدام درجات مخاطرة ضبابية بدلاً من قواعد صارمة نعم/لا، مع الحفاظ على درجة من الشفافية تمكّن الخبراء الطبيين من فحص وتعديل آلياتها الداخلية.

دمج المنطق الناعم مع التفكير الطبي

تبني الدراسة فكرتين من الذكاء الاصطناعي. الأولى هي المنطق الضبابي، الذي يسمح بعبارات مثل «ضغط الدم مرتفع» أن تكون صحيحة جزئياً بدلاً من فرض حد قاطع. والثانية هي الخرائط المعرفية الضبابية، وهي نوع من شبكات المفاهيم حيث تمثل العقد أفكاراً سريرية مثل الأعراض ونتائج الفحوص أو خطر المرض، وتظهر الأسهم كيف يدفع مفهوم ما الآخر إلى الصعود أو الهبوط. في الطب، تبدو مثل هذه الخرائط جذابة لأنها تعكس كيف يتحدث الأطباء ويستدلون، ولأن الروابط بين المفاهيم يمكن عرضها ومناقشتها. لكن الخرائط التقليدية عادة ما تكون ثابتة بعد اختيار الخبراء للروابط، مما يجعلها بطيئة التكيف عندما تتغير الإرشادات أو البيانات أو مجموعات المرضى.

السماح للبيانات بالتعلم بينما يبقى الخبراء المسيطرين

يحاول نظام دعم القرار الضبابي المتمركز حول الإنسان المقترح (HCFDSS) تحقيق توازن بين معرفة الخبراء والتعلم من البيانات. يفصل النظام العملية إلى حلقتين. في الحلقة الداخلية، يأخذ النموذج سمات المريض المحوَّلة إلى صيغ ضبابية، ويمررها عبر شبكة المفاهيم، ويستقر عند نمط ثابت من التفعيلات يمثل اقتراحاً تشخيصياً. في الحلقة الخارجية، تُعدل شدة الروابط بين المفاهيم تدريجياً لتتلاءم مع البيانات السريرية بشكل أفضل، مع البقاء ضمن حدود معقولة. والأهم أن الأطباء يمكنهم مراجعة روابط محددة واقتراح تصحيحات، ثم يمزج النظام هذه التعديلات البشرية مع التحديث المستند إلى البيانات بدلاً من استبدال أحدهما بالآخر بشكل أعمى.

مثال بسيط عن مرض القلب

لتوضيح الآلية، تعرض الورقة مثالاً صغيراً بثلاثة مفاهيم: ارتفاع ضغط الدم، ألم الصدر، ومرض القلب. تبدأ الشبكة بروابط اختارها الخبراء تقول، مثلاً، إن ألم الصدر يساهم في احتمال مرض القلب. عندما يُعالَج مريض نموذجي، يتنبأ النموذج بمستوى تفعيل للمرض. بعد ذلك يفحص الطبيب الخريطة ويقرر أن الرابط من ألم الصدر إلى مرض القلب يجب أن يكون أقوى قليلاً مما اقترحه التعلم القائم على البيانات وحده. بعد أن يقوم الخبير بتعديل هذا الرابط صعوداً، تُشغَّل الشبكة مرة أخرى ويرتفع تفعيل مرض القلب قليلاً، مما قد يحوّل القرار من سلبي إلى إيجابي. هذا التغيير سهل التتبع والتبرير، لأنه يتبع مساراً مرئياً عبر مفاهيم مسماة بدلاً من ميزات رقمية مخفية.

اختبار النظام على بيانات حقيقية ومحاكاة

بعيداً عن المثال التمثيلي، يصمم المؤلف خطة تقييم دقيقة باستخدام سيناريوهات سريرية محاكاة وثلاث مجموعات بيانات عامة معروفة عن مرض القلب وسرطان الثدي ومرض باركنسون. تُقارن تنبؤات النظام بعدة معايير مرجعية، بما في ذلك خرائط الخبراء الثابتة، والخرائط المتعلمة دون توجيه الخبراء، وطرق تعلم آلي شائعة مثل الانحدار اللوجستي، وآلات الدعم الناقلة، والغابات العشوائية، والتدرج المعزز، والجيران الأقرب، والشبكات العصبية. كما تختبر الدراسة مدى ثبات النهج عندما تكون بعض البيانات مفقودة، أو عندما تكون الفئات غير متوازنة، وعندما يتغير تأثير الخبير أكثر أو أقل. ويتتبع مقياس خاص عدد المرات التي تحافظ فيها الروابط المتعلمة على المعنى الطبي والاتجاه نفسه كما في تصميم الخبير الأصلي.

ماذا يعني ذلك لأدوات الدعم الطبي المستقبلية

تُظهر النتائج أنه رغم أن النظام الجديد لا يتفوق دائماً على نماذج التعلم الآلي القياسية من حيث الدقة الخام، فإنه عادة ما يقترب منها مع الحفاظ على بنية قابلة للفحص بالكامل. على وجه الخصوص، يحافظ على إشارة ودور كل رابط نشط كما قصده الخبير، حتى أثناء التعلم من البيانات. للمستخدم العادي، الخلاصة هي أن هذا الإطار يهدف أقل إلى بناء جهاز تشخيص آلي مثالي وأكثر إلى إنشاء خريطة واضحة قابلة للتحرير يمكن للأطباء والحواسيب مشاركتها. ويوفر وسيلة للسريريين ليروا كيف يصل النموذج إلى اقتراحاته، ليتحققوا مما إذا كان ذلك الاستدلال يتوافق مع الفهم الطبي، ولتوجيه النظام بلطف عندما تشير أدلة أو خبرة جديدة إلى أن علاقات معينة ينبغي أن تتغير.

الاستشهاد: Zakaria, A. A human-centric fuzzy decision support system for medical diagnosis using fuzzy cognitive maps. Sci Rep 16, 15336 (2026). https://doi.org/10.1038/s41598-026-51590-z

الكلمات المفتاحية: الخرائط المعرفية الضبابية, دعم القرار الطبي, الذكاء الاصطناعي القابل للتفسير, الخبير في الحلقة, التشخيص السريري