DOI: https://doi.org/10.1038/s41598-026-42419-w
PMID: https://pubmed.ncbi.nlm.nih.gov/41820497
تاريخ النشر: 2026-03-13
المؤلف: Xinling Wang وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية
نظرة عامة
تتناول هذه الورقة القضايا الحرجة المتعلقة بالموثوقية السريرية والتعميم في تشخيص أمراض القلب، مع تسليط الضوء على قيود الطرق التقليدية المجمعة التي غالبًا ما تفشل في أخذ تنوع الميزات وكمية عدم اليقين في الاعتبار. لمواجهة هذه التحديات، يقدم المؤلفون إطار العمل الموزون للميزات المدرك لعدم اليقين (UAFE)، الذي يتكون من ثلاثة مكونات رئيسية: (1) تقسيم الميزات، الذي يدرب المتعلمين المتخصصين على مجموعات فرعية قائمة على الأهمية؛ (2) وزن عدم اليقين الديناميكي، الذي يعدل مساهمات النموذج بشكل تكيفي بناءً على عدم الاتفاق في التنبؤ؛ و(3) تحسين الجوار، الذي يصحح القرارات لعناصر ذات عدم يقين مرتفع باستخدام أولويات هندسية محلية.
تظهر التجارب الواسعة التي أجريت على مجموعة بيانات متعددة المراكز أن UAFE يتفوق بشكل كبير على الطرق الحديثة الحالية، محققًا دقة تبلغ 0.8660. بالإضافة إلى ذلك، من خلال التحقق من صحة ترك مركز واحد (LOCO) عبر أربعة مواقع سريرية دولية، يظهر UAFE استقرارًا متفوقًا بدقة متوسطة تبلغ 0.8332، مما يعالج بشكل فعال تحولات توزيع المؤسسات. تؤكد هذه النتائج على إمكانيات الإطار للنشر الموثوق في بيئات سريرية متنوعة.
مقدمة
تسلط مقدمة الورقة الضوء على القضية الملحة لأمراض القلب والأوعية الدموية (CVDs)، التي تسببت في حوالي 19 مليون وفاة في عام 2021، مما يبرز الحاجة إلى أطر تشخيصية متقدمة تمكّن من الكشف المبكر والتدخلات الدقيقة. غالبًا ما تعتمد الطرق التشخيصية التقليدية على تقنيات غازية أو حكم سريري ذاتي، مما يدفع نحو التحول إلى أنظمة آلية وغير غازية يمكنها معالجة بيانات فسيولوجية معقدة. ومع ذلك، تتطلب المخاطر العالية لاتخاذ القرارات السريرية أنظمة تشخيصية قوية قادرة على إدارة عدم اليقين مع الحفاظ على دقة التنبؤ. لقد ظهرت الذكاء الاصطناعي (AI) كأداة حاسمة في أمراض القلب، حيث تركز الأبحاث بشكل أساسي على التعلم العميق لتحديد الأنماط غير الخطية وتعزيز القدرات التنبؤية من خلال اختيار الميزات والتعلم المجمّع.
على الرغم من وعد هذه الأساليب المعتمدة على البيانات، فإن موثوقيتها السريرية تعوقها قيود رئيسية اثنتان: الفشل في أخذ الطبيعة المتنوعة للسمات الطبية في الاعتبار وإنتاج مخرجات حتمية لا تقيس عدم اليقين. تقدم هذه الورقة إطار العمل الموزون للميزات المدرك لعدم اليقين (UAFE) لمعالجة هذه التحديات في توقع أمراض القلب باستخدام بيانات سريرية جدولة. يتضمن إطار UAFE تقسيم الميزات التكيفية لإعطاء الأولوية للسمات السريرية المهمة، وآلية لقياس عدم اليقين المعرفي من خلال مقياس قائم على عدم الاتفاق، وعملية استدلال ديناميكية تعدل تأثير النموذج بناءً على الثقة. تهدف هذه الابتكارات إلى تعزيز موثوقية التنبؤات وتقليل خطر التشخيص الخاطئ في البيئات السريرية الحرجة.
النتائج
يقدم قسم “النتائج” في الورقة البحثية النتائج الرئيسية المستمدة من التجارب أو التحليلات التي أجريت. يوضح نتائج الدراسة، مع تسليط الضوء على اتجاهات البيانات المهمة، والتحليلات الإحصائية، وأي ارتباطات أو أنماط تم ملاحظتها. غالبًا ما يتم توضيح النتائج من خلال الأشكال أو الجداول أو الرسوم البيانية، التي توفر تمثيلات بصرية للبيانات لتسهيل الفهم.
بالإضافة إلى ذلك، قد يتضمن القسم مقارنات مع الدراسات السابقة، مع التأكيد على كيفية مساهمة النتائج الحالية في المعرفة الموجودة. كما يتم مناقشة أي شذوذ أو نتائج غير متوقعة، مع تقديم تفسيرات محتملة. بشكل عام، يخدم هذا القسم للتحقق من الفرضيات المطروحة في المقدمة ويضع الأساس للنقاش اللاحق والاستنتاجات المستخلصة من البحث.
النقاش
يسلط قسم النقاش في الورقة البحثية الضوء على فعالية إطار العمل الموزون للميزات المدرك لعدم اليقين (UAFE) في تعزيز توقع أمراض القلب. من خلال دمج شبكة أمان قائمة على الجوار، يقوم UAFE بتصحيح حدود القرار لعناصر ذات عدم يقين مرتفع، مما يؤدي إلى تحسين الحساسية وتقليل كبير في النتائج السلبية الكاذبة. بينما تكافح الأساليب التقليدية للتعلم الآلي، رغم كونها أساسية، مع التعميم وغالبًا ما تفشل في أخذ الأهمية المتنوعة للميزات الطبية في الاعتبار. في المقابل، يستخدم UAFE استراتيجية دمج ديناميكية تعدل مساهمات النموذج بناءً على الثقة على مستوى الحالة، مما يعالج قيود الطرق المجمعة الثابتة التي لا تتكيف مع تعقيد الحالات الغامضة.
تؤكد الورقة على أهمية تقسيم الميزات وتنوع النموذج، حيث يتم تصنيف الميزات بناءً على أهميتها التراكمية لتعزيز دقة التصنيف. تقوم آلية الوزن الديناميكية لـ UAFE بقياس عدم اليقين المعرفي وتعديل مساهمات النموذج وفقًا لذلك، مما يضمن تنبؤات قوية مع تقليل الإفراط في التكيف. يتم التحقق من أداء الإطار من خلال تقييمات شاملة، مما يظهر مقاييس متفوقة مقارنة بالنماذج التقليدية وتقنيات متقدمة أخرى. من الجدير بالذكر أن UAFE يحقق استرجاعًا متوسطًا قدره 0.9075 وAUC قدره 0.9293، مما يشير إلى فعاليته في التطبيقات السريرية حيث يكون تقليل النتائج السلبية الكاذبة أمرًا حاسمًا. بشكل عام، تؤكد النتائج على إمكانيات UAFE لتقديم تنبؤات موثوقة ومدركة لعدم اليقين في سياق تشخيص أمراض القلب.
DOI: https://doi.org/10.1038/s41598-026-42419-w
PMID: https://pubmed.ncbi.nlm.nih.gov/41820497
Publication Date: 2026-03-13
Author(s): Xinling Wang et al.
Primary Topic: Artificial Intelligence in Healthcare
Overview
This paper addresses the critical issues of clinical reliability and generalization in heart disease diagnosis, highlighting the limitations of traditional ensemble methods that often fail to account for feature heterogeneity and uncertainty quantification. To tackle these challenges, the authors introduce the Uncertainty-Aware Feature-Weighted Ensemble (UAFE) framework, which comprises three key components: (1) Feature Stratification, which trains specialized learners on importance-based subgroups; (2) Dynamic Uncertainty Weighting, which adaptively adjusts model contributions based on prediction disagreement; and (3) Neighborhood Refinement, which corrects decisions for high-uncertainty samples using local geometric priors.
Extensive experiments conducted on a multi-center dataset reveal that UAFE significantly outperforms existing state-of-the-art methods, achieving an accuracy of 0.8660. Additionally, through Leave-One-Center-Out (LOCO) validation across four international clinical sites, UAFE demonstrates superior stability with a mean accuracy of 0.8332, effectively addressing institutional distribution shifts. These findings underscore the framework’s potential for reliable deployment in diverse clinical settings.
Introduction
The introduction of the paper highlights the pressing issue of cardiovascular diseases (CVDs), which accounted for approximately 19 million deaths in 2021, underscoring the need for advanced diagnostic frameworks that enable early detection and precise interventions. Traditional diagnostic methods often rely on invasive techniques or subjective clinical judgment, prompting a shift towards automated, non-invasive systems that can process complex physiological data. However, the high stakes of clinical decision-making necessitate robust diagnostic systems capable of managing uncertainty while maintaining predictive accuracy. Artificial Intelligence (AI) has emerged as a crucial tool in cardiology, with research primarily focusing on deep learning to identify non-linear patterns and enhancing predictive capabilities through feature selection and ensemble learning.
Despite the promise of these data-driven approaches, their clinical reliability is hampered by two key limitations: the failure to account for the heterogeneous nature of medical attributes and the generation of deterministic outputs that do not quantify uncertainty. This paper introduces the Uncertainty-Aware Feature-Weighted Ensemble (UAFE) framework to address these challenges in heart disease prediction using tabular clinical data. The UAFE framework incorporates adaptive feature stratification to prioritize important clinical attributes, a mechanism for quantifying epistemic uncertainty through a disagreement-based metric, and a dynamic inference process that adjusts model influence based on confidence. These innovations aim to enhance the reliability of predictions and mitigate the risk of misdiagnoses in critical clinical settings.
Results
The “Results” section of the research paper presents key findings derived from the conducted experiments or analyses. It details the outcomes of the study, highlighting significant data trends, statistical analyses, and any observed correlations or patterns. The results are often illustrated through figures, tables, or graphs, which provide visual representations of the data to facilitate understanding.
Additionally, the section may include comparisons with previous studies, emphasizing how the current findings contribute to the existing body of knowledge. Any anomalies or unexpected results are also discussed, along with potential explanations. Overall, this section serves to validate the hypotheses posed in the introduction and lays the groundwork for the subsequent discussion and conclusions drawn from the research.
Discussion
The discussion section of the research paper highlights the efficacy of the proposed Uncertainty-Aware Feature-Weighted Ensemble (UAFE) framework in enhancing heart disease prediction. By integrating a neighborhood-based safety net, UAFE rectifies decision boundaries for high-uncertainty samples, leading to improved sensitivity and a significant reduction in false negatives. Traditional machine learning approaches, while foundational, often struggle with generalization and fail to account for the heterogeneous importance of medical features. In contrast, UAFE employs a dynamic fusion strategy that adapts model contributions based on instance-level confidence, addressing the limitations of static ensemble methods that do not adjust to the complexity of ambiguous cases.
The paper emphasizes the importance of feature stratification and model diversity, where features are categorized based on their cumulative importance to enhance classification accuracy. UAFE’s dynamic weighting mechanism quantifies epistemic uncertainty and adjusts model contributions accordingly, ensuring robust predictions while minimizing overfitting. The framework’s performance is validated through comprehensive evaluations, demonstrating superior metrics compared to traditional models and other advanced techniques. Notably, UAFE achieves a mean recall of 0.9075 and an AUC of 0.9293, indicating its effectiveness in clinical applications where minimizing false negatives is critical. Overall, the findings underscore the potential of UAFE to provide reliable, uncertainty-aware predictions in the context of heart disease diagnostics.