DOI: https://doi.org/10.31127/tuje.1837079
تاريخ النشر: 2026-07-06
المؤلف: Zekeriya Katılmış وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية
نظرة عامة
تقدم هذه البحث خط أنابيب شامل لتعلم الآلة مصمم لتصنيف مرض الزهايمر (AD)، مع معالجة الحاجة الملحة للتشخيص المبكر والدقيق في السكان المتقدمين في السن. يدمج الخط الأنبوبي عدة مكونات رئيسية: توسيع البيانات باستخدام MinMaxScaler و StandardScaler، اختيار النموذج من المرشحين بما في ذلك Gradient Boosting و Random Forest، تحسين المعلمات عبر Optuna’s Tree-structured Parzen Estimator (TPESampler)، التخفيف من عدم توازن الفئات من خلال إعادة أخذ العينات ADASYN، واختيار الميزات باستخدام اختيار الميزات المتسلسل (SFS). حققت المنهجية دقة مثيرة للإعجاب بلغت 97.97% من خلال تجميع ناعم للنماذج المختارة، مما يظهر استقرار أداء محسّن وحدود قرار أكثر اتساقًا مقارنة بالمصنفات الفردية.
تؤكد الدراسة أن تحسينات الأداء تنبع من التفاعل التآزري لمراحل الخط الأنبوبي المتعددة بدلاً من أي مكون واحد. لا تعمل هذه الطريقة المنسقة على تحسين قرارات المعالجة المسبقة والنمذجة فحسب، بل تسلط الضوء أيضًا على أهمية تماسك الخط الأنبوبي في تعلم الآلة الطبية. بينما النتائج واعدة، إلا أنها تستند إلى مجموعة بيانات تم إنشاؤها بشكل اصطناعي، مما يشير إلى أن مزيدًا من التحقق على بيانات سريرية حقيقية ضروري لتقييم القابلية للتطبيق الخارجي. تشمل اتجاهات البحث المستقبلية دمج مصادر بيانات متعددة الأبعاد، والتحقق المتداخل القوي للتقييم، ودمج طرق الشرح لتعزيز قابلية التفسير والأهمية للإطار المقترح.
مقدمة
تسلط مقدمة ورقة البحث الضوء على مرض الزهايمر (AD) كقضية صحية عالمية هامة، تتميز بالتدهور العصبي التدريجي وغياب العلاجات الشافية الحاسمة. إن انتشار الخرف، وخاصة خرف نوع الزهايمر، في تزايد سريع، حيث أفادت منظمة الصحة العالمية أن حوالي 57 مليون شخص تأثروا في جميع أنحاء العالم اعتبارًا من عام 2021، وتشير التوقعات إلى أن هذا العدد قد يتضاعف تقريبًا بحلول عام 2050. في تركيا، كشفت دراسة عن انتشار مرض الزهايمر بنسبة 7.5% بين الأفراد بمتوسط عمر 71.5 عامًا، مما يبرز العبء المتزايد للمرض بسبب السكان المتقدمين في السن والحالات المزمنة المرتبطة بها.
تقتصر طرق التشخيص الحالية لمرض الزهايمر، وغالبًا ما تعتمد على أساليب تقليدية قد لا تكشف بفعالية عن التغيرات المعرفية في المراحل المبكرة. وهذا يبرز الحاجة إلى استراتيجيات مبتكرة تعزز من توقع المخاطر والتشخيص المبكر. تناقش الورقة إمكانيات تقنيات تعلم الآلة (ML) في تحويل تشخيص مرض الزهايمر من خلال دمج مصادر بيانات متنوعة، مثل البيانات الديموغرافية والطبية وأداء المعرفة. ومع ذلك، تشير إلى أن الدراسات الحالية غالبًا ما تفتقر إلى أساليب منهجية في اختيار النموذج وتحسين الميزات، مما يؤدي إلى نتائج متحيزة. تهدف الدراسة إلى معالجة هذه الفجوات من خلال تطوير خط أنابيب شامل متعدد المراحل لتعلم الآلة لتحسين تصنيف مرض الزهايمر.
طرق
في هذه الدراسة، تم تقييم خط أنابيب تعلم الآلة متعدد المراحل لتصنيف مرض الزهايمر بشكل صارم، مع تسليط الضوء على مساهمات المكونات المختلفة في مقاييس أداء النموذج مثل الدقة والدقة والاسترجاع و F1-score. تضمنت المرحلة الأولية تدريب أربعة مصنفات أساسية، حيث برز Gradient Boosting (M1) كأفضل أداء، تلاه عن كثب Random Forest (M2). تضمنت المراحل اللاحقة طرق التجميع، وتحسين المعلمات باستخدام Optuna، وأخذ العينات الاصطناعية التكيفية (ADASYN) لتعزيز متانة النموذج ومعالجة عدم توازن الفئات. ومن الجدير بالذكر أن التجميع الناعم لـ M1 و M2 حقق دقة بلغت 95.11%، بينما حقق نموذج التجميع المحسن دقة بلغت 95.63% و F1-score بلغ 93.71%.
أنتجت المرحلة النهائية، اختيار الميزات المتسلسل (SFS)، أكبر تحسينات في الأداء، حيث حقق التجميع الناعم لمزيج من M1 و M2 و RBF-kernel SVC (M4) دقة مثيرة للإعجاب بلغت 97.97%. أكدت الدراسة على أهمية اختيار الميزات وضبط المعلمات في تعزيز استقرار النموذج وأداء التنبؤ. بينما زادت التكلفة الحسابية مع كل مرحلة، أظهرت النتائج أن استراتيجيات التجميع، وخاصة تلك التي تتضمن متعلمين أساسيين أقوياء، تفوقت باستمرار على النماذج الفردية، مما أسس حدود قرار أكثر استقرارًا لتصنيف مرض الزهايمر. بشكل عام، يدمج الخط الأنبوبي المقترح بشكل فعال اختيار الميزات، وإعادة أخذ العينات، وتقنيات التعلم التجميعي لتحسين نتائج التصنيف.
مناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على التباين الكبير في معدلات الدقة المبلغ عنها في الدراسات التي تستخدم نفس مجموعة البيانات لتصنيف مرض الزهايمر. يُعزى هذا التباين بشكل أساسي إلى الاختلافات في تصميم الخط الأنبوبي، واستراتيجيات اختيار الميزات، وخصائص النموذج. عادةً ما تحقق النماذج الأساسية، مثل الشبكات العصبية التلافيفية التقليدية (CNNs) والشبكات العصبية الاصطناعية الأساسية (ANNs)، دقة أقل مقارنة بالدراسات التي تنفذ تقنيات اختيار الميزات المتقدمة (مثل أهمية الميزات، وإزالة الميزات التكرارية) وطرق التجميع (مثل CatBoost، و Gradient Boosting، و Random Forest). ومن الجدير بالذكر أن أعلى دقة تم الإبلاغ عنها كانت 95.81% باستخدام مزيج من التعزيز الفئوي مع تقنيات هندسة الميزات، مما يبرز أهمية المعالجة المسبقة المنهجية والتحسين في تعزيز أداء النموذج.
تؤكد النتائج على أن اختيار الميزات الفعال واستراتيجيات التعلم التجميعي أمران حاسمان لتحسين أداء التصنيف في مجموعات البيانات عالية الأبعاد المرتبطة بمرض الزهايمر. يدمج الإطار المقترح اختيار النموذج المنظم، وتحسين المعلمات، وتقنيات إعادة أخذ العينات، مما يضمن الصرامة المنهجية ويمنع تسرب البيانات. تشير النتائج إلى أن خط أنابيب تعلم الآلة المحسن، وخاصة من خلال استخدام اختيار الميزات المتسلسل (SFS) وهياكل التجميع الناعم، تفوق بشكل كبير على النماذج الأساسية، محققًا دقة بلغت 97.97%. وهذا يشير إلى أن مزيجًا من خوارزميات التعلم التكميلية يمكن أن يلتقط التفاعلات المعقدة التي قد تتجاهلها النماذج الفردية، مما يعزز القدرات التشخيصية في البيئات السريرية. كما تسلط الدراسة الضوء على فعالية Optuna في تحسين المعلمات، مما ساهم في تحسين استقرار النموذج وأدائه، خاصة في معالجة عدم توازن الفئات والتحديات المتعلقة بالأبعاد العالية الموجودة في مجموعات البيانات الطبية.
القيود
تعترف ورقة البحث بعدة قيود في خط أنابيب تعلم الآلة المقترح، والتي تنبع أساسًا من الطبيعة الاصطناعية لمجموعة البيانات المستخدمة. بينما تهدف مجموعة البيانات إلى محاكاة التوزيعات الواقعية، إلا أنها تفشل في احتواء التعقيد الكامل، والتباين، والضوضاء الموجودة في البيانات السريرية الفعلية. وبالتالي، يجب أن تُعتبر الأداء المبلغ عنه كدليل على الفعالية المنهجية بدلاً من كعرض للصلاحية السريرية. بالإضافة إلى ذلك، قد لا تعكس عينة من 2,149 مشاركًا تنوع السكان الأوسع بشكل كافٍ، مما يستلزم التحقق على مجموعات بيانات أكبر ومتعددة المراكز لتعزيز المتانة.
تسلط الدراسة أيضًا الضوء على الطبيعة المعتمدة على النموذج لتقنية إعادة أخذ العينات القائمة على ADASYN، التي حسنت الأداء للنماذج ذات السعة العالية ولكنها تدهورت بالنسبة للمصنفات ذات السعة المنخفضة، مما يشير إلى أن العينات الاصطناعية قد لا تحافظ بشكل موثوق على حدود القرار الواقعية. علاوة على ذلك، بينما تعتبر مقاييس التقييم مثل الدقة و F1-score مفيدة، إلا أنها لا تعالج بالكامل التوازن الحرج بين الحساسية والدقة في السياقات السريرية، حيث يمكن أن يكون للتصنيف الخاطئ آثار أخلاقية كبيرة. قد تحد المتطلبات الحسابية للخط الأنبوبي، بما في ذلك تحسين المعلمات التكرارية واختيار الميزات، من قابليته للتوسع في البيئات ذات الموارد المحدودة. أخيرًا، تشير غياب التحقق المتداخل، على الرغم من التخفيف من خلال استخدام التحقق المتداخل الطبقي، إلى أن العمل المستقبلي يجب أن يتضمن هذه الطريقة لتعزيز موثوقية تقديرات الأداء. قد تؤثر استخدام طرق التجميع، على الرغم من فائدتها في الأداء التنبؤي، على قابلية التفسير، مما يبرز الحاجة إلى تقنيات الشرح بعد الحدث لتسهيل الاعتماد السريري.
DOI: https://doi.org/10.31127/tuje.1837079
Publication Date: 2026-07-06
Author(s): Zekeriya Katılmış et al.
Primary Topic: Artificial Intelligence in Healthcare
Overview
This research presents a comprehensive machine learning pipeline designed for the classification of Alzheimer’s disease (AD), addressing the critical need for early and accurate diagnosis in an aging population. The pipeline integrates several key components: data scaling using MinMaxScaler and StandardScaler, model selection from candidates including Gradient Boosting and Random Forest, hyperparameter optimization via Optuna’s Tree-structured Parzen Estimator (TPESampler), class imbalance mitigation through ADASYN resampling, and feature selection using Sequential Feature Selection (SFS). The methodology achieved an impressive accuracy of 97.97% through a soft-voting ensemble of selected models, demonstrating enhanced performance stability and more consistent decision boundaries compared to individual classifiers.
The study emphasizes that the performance improvements stem from the synergistic interaction of the pipeline’s multiple stages rather than any single component. This coordinated approach not only optimizes preprocessing and modeling decisions but also highlights the importance of pipeline coherence in medical machine learning. While the results are promising, they are based on a synthetically generated dataset, suggesting that further validation on real-world clinical data is necessary to assess external applicability. Future research directions include the incorporation of multimodal data sources, nested cross-validation for robust evaluation, and the integration of explainability methods to enhance the interpretability and relevance of the proposed framework.
Introduction
The introduction of the research paper highlights Alzheimer’s disease (AD) as a significant global health issue, characterized by progressive neurodegeneration and a lack of definitive curative treatments. The prevalence of dementia, particularly Alzheimer’s-type dementia, is rapidly increasing, with the World Health Organization reporting approximately 57 million individuals affected worldwide as of 2021, and projections indicating that this number may nearly triple by 2050. In Turkey, a study revealed a 7.5% prevalence of AD among individuals with a mean age of 71.5 years, emphasizing the growing burden of the disease due to an aging population and associated chronic conditions.
Current diagnostic methods for AD are limited, often relying on traditional approaches that may not effectively detect early-stage cognitive changes. This underscores the need for innovative strategies that enhance risk prediction and early diagnosis. The paper discusses the potential of machine learning (ML) techniques in transforming AD diagnosis by integrating diverse data sources, such as demographic, medical, and cognitive performance data. However, it notes that existing studies often lack systematic approaches in model selection and feature optimization, leading to biased outcomes. The study aims to address these gaps by developing a comprehensive, multistage ML pipeline for improved classification of Alzheimer’s disease.
Methods
In this study, a multi-stage machine learning pipeline for classifying Alzheimer’s disease was rigorously evaluated, highlighting the contributions of various components to model performance metrics such as accuracy, precision, recall, and F1-score. The initial stage involved training four base classifiers, where Gradient Boosting (M1) emerged as the top performer, followed closely by Random Forest (M2). Subsequent stages incorporated ensemble methods, hyperparameter optimization using Optuna, and Adaptive Synthetic Sampling (ADASYN) to enhance model robustness and address class imbalance. Notably, the soft voting ensemble of M1 and M2 achieved an accuracy of 95.11%, while the optimized ensemble model reached 95.63% accuracy and an F1-score of 93.71%.
The final stage, Sequential Feature Selection (SFS), yielded the most significant performance improvements, with the soft voting combination of M1, M2, and RBF-kernel SVC (M4) achieving an impressive accuracy of 97.97%. The study underscored the importance of feature selection and hyperparameter tuning in enhancing model stability and predictive performance. While the computational cost increased with each stage, the findings demonstrated that ensemble strategies, particularly those incorporating strong base learners, consistently outperformed individual models, thereby establishing more stable decision boundaries for Alzheimer’s disease classification. Overall, the proposed pipeline effectively integrates feature selection, resampling, and ensemble learning techniques to improve classification outcomes.
Discussion
The discussion section of the research paper highlights the significant variability in accuracy rates reported in studies utilizing the same dataset for Alzheimer’s disease classification. This variability is primarily attributed to differences in pipeline design, feature-selection strategies, and model characteristics. Baseline models, such as classical Convolutional Neural Networks (CNNs) and basic Artificial Neural Networks (ANNs), generally yield lower accuracy compared to studies that implement advanced feature-selection techniques (e.g., Feature Importance, Recursive Feature Elimination) and ensemble methods (e.g., CatBoost, Gradient Boosting, Random Forest). Notably, the highest accuracy reported was 95.81% using a combination of Categorical Boosting with feature engineering techniques, underscoring the importance of systematic preprocessing and optimization in enhancing model performance.
The findings emphasize that effective feature selection and ensemble learning strategies are crucial for improving classification performance in high-dimensional datasets associated with Alzheimer’s disease. The proposed framework integrates structured model selection, hyperparameter optimization, and resampling techniques, ensuring methodological rigor and preventing data leakage. The results indicate that the optimized machine learning pipeline, particularly through the use of Sequential Forward Selection (SFS) and soft voting ensemble structures, significantly outperformed baseline models, achieving an accuracy of 97.97%. This suggests that the combination of complementary learning algorithms can capture complex interactions that individual models may overlook, thereby enhancing diagnostic capabilities in clinical settings. The study also highlights the effectiveness of Optuna for hyperparameter optimization, which contributed to improved model stability and performance, particularly in addressing class imbalance and high dimensionality challenges inherent in medical datasets.
Limitations
The research paper acknowledges several limitations of the proposed machine learning pipeline, primarily stemming from the synthetic nature of the dataset used. While the dataset aims to mimic realistic distributions, it fails to encapsulate the full complexity, variability, and noise found in actual clinical data. Thus, the reported performance should be viewed as a proof-of-concept regarding methodological efficacy rather than a demonstration of clinical validity. Additionally, the sample size of 2,149 participants may not adequately reflect the diversity of broader populations, necessitating validation on larger, multicenter datasets to enhance robustness.
The study also highlights the model-dependent nature of the ADASYN-based resampling technique, which improved performance for high-capacity models but degraded it for lower-capacity classifiers, indicating that synthetic samples may not reliably maintain realistic decision boundaries. Furthermore, while the evaluation metrics of accuracy and F1-score are informative, they do not fully address the critical balance between sensitivity and precision in clinical contexts, where misclassification can have significant ethical implications. The computational demands of the pipeline, including iterative hyperparameter optimization and feature selection, may limit its scalability in resource-constrained settings. Lastly, the absence of nested cross-validation, although mitigated by employing stratified k-fold cross-validation, suggests that future work should incorporate this method to enhance the reliability of performance estimates. The use of ensemble methods, while beneficial for predictive performance, may compromise interpretability, underscoring the need for post hoc explainability techniques to facilitate clinical adoption.