DOI: https://doi.org/10.62762/bish.2026.470997
تاريخ النشر: 2026-03-12
المؤلف: Aamir Raza وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية
نظرة عامة
تتناول هذه الدراسة تحدي الكشف المبكر عن مرض باركنسون (PD)، وهو اضطراب عصبي تنكسي شائع، خاصة لدى كبار السن. تؤكد الأبحاث على الحاجة إلى أدوات تشخيصية متاحة، حيث أن طرق التصوير التقليدية مثل التصوير بالرنين المغناطيسي (MRI) والتصوير المقطعي بالإصدار البوزيتروني (PET) غالبًا ما تكون غير عملية في البيئات ذات الموارد المحدودة. لتحقيق ذلك، طور المؤلفون نماذج ذكاء اصطناعي (AI) قابلة للتفسير باستخدام متغيرات سريرية منظمة، من خلال تقنيات اختيار الميزات من خلال تصنيف أهمية الغابة العشوائية (RF) وتقييم SelectKBest الإحصائي لتحديد المؤشرات الرئيسية.
نفذت الدراسة إطار عمل شامل يتضمن معالجة البيانات، واختيار الميزات، وتقسيم البيانات بشكل طبقي، والتقييم المتوازي لمختلف مصنفات التعلم الآلي والتعلم العميق، بما في ذلك آلة الدعم الناقل (SVM)، وأقرب الجيران (KNN)، والغابة العشوائية (RF)، والشبكة العصبية التلافيفية (CNN). من بين هذه، أظهرت الغابة العشوائية أعلى أداء تمييزي، بينما أظهرت الشبكة العصبية التلافيفية، وآلة الدعم الناقل، ونماذج الذاكرة طويلة وقصيرة المدى (LSTM) أيضًا نتائج تنافسية. تؤكد النتائج على الإمكانية للكشف الموثوق عن مرض باركنسون باستخدام بيانات سريرية غير تصويرية، مع تحديد مؤشرات رئيسية مثل شدة الرعشة، ودرجات التقييم المعرفي، والعمر كعوامل مهمة. قدم دمج تفسيرات نموذجية محلية قابلة للتفسير (LIME) رؤى شفافة لدعم اتخاذ القرارات السريرية. ستركز الأعمال المستقبلية على التحقق الخارجي مع مجموعات بيانات متنوعة ودمج البيانات متعددة الأنماط، بما في ذلك تحليل الكلام والمشي، لتعزيز القابلية السريرية.
مقدمة
يعتبر مرض باركنسون (PD) ثاني أكثر الاضطرابات العصبية التنكسية انتشارًا في العالم، حيث يؤثر على أكثر من 10 ملايين فرد، معظمهم من كبار السن. يبرز تزايد حدوثه الحاجة الملحة إلى تعزيز البحث وخيارات العلاج. يتميز مرض باركنسون بمجموعة من الأعراض الحركية، بما في ذلك الرعشة، والصلابة، وبطء الحركة، بالإضافة إلى الأعراض غير الحركية مثل الاكتئاب وضعف الإدراك. يعد التشخيص المبكر والدقيق أمرًا حاسمًا للتدخل الفعال، ومع ذلك، فإنه يظل تحديًا بسبب تباين الأعراض وتداخلها مع حالات عصبية أخرى. تعتمد طرق التشخيص التقليدية بشكل كبير على التقييمات السريرية، مما يؤدي غالبًا إلى تشخيص في مراحل متأخرة عندما يحدث ضرر عصبي كبير، مما يستلزم نهجًا أكثر موضوعية يعتمد على العلامات الحيوية.
في هذا السياق، برز الذكاء الاصطناعي (AI) كأداة واعدة في الرعاية الصحية، قادرة على تحليل مجموعات بيانات سريرية واسعة لتحديد الأنماط الدقيقة التي تشير إلى بداية مرض باركنسون. أظهرت نماذج التعلم الآلي (ML) والتعلم العميق (DL) المختلفة، بما في ذلك آلات الدعم الناقل (SVM)، والغابة العشوائية (RF)، والشبكات العصبية التلافيفية (CNN)، وشبكات الذاكرة طويلة وقصيرة المدى (LSTM)، إمكانيات في تصنيف مرض باركنسون بناءً على أنواع بيانات متنوعة. ومع ذلك، فإن أحد القيود الكبيرة لهذه النماذج هو طبيعتها “الصندوق الأسود”، مما يعقد التفسير والثقة بين الأطباء. لقد أثار هذا التحدي اهتمامًا في الذكاء الاصطناعي القابل للتفسير (XAI)، الذي يهدف إلى تعزيز الشفافية وقابلية تفسير توقعات الذكاء الاصطناعي، مما يجعلها أكثر قابلية للتطبيق سريريًا.
الطرق
تستخدم الدراسة طرق تفسيرية متنوعة، بما في ذلك SHAP وLIME وGrad-CAM وآليات الانتباه، لتعزيز فهم نماذج التعلم الآلي (ML) في البيئات السريرية، خاصة للكشف عن مرض باركنسون (PD). يتم تسليط الضوء على LIME لقدرتها على تقديم تفسيرات ذات صلة سريريًا من خلال تحديد الميزات المؤثرة مثل شدة الأعراض الحركية (درجات UPDRS) وخصائص الكلام. تعتبر هذه الطريقة غير المرتبطة بالنموذج ضرورية لمجموعات البيانات السريرية، حيث يمكن أن تكشف عن التحيزات المتعلقة بالعوامل الديموغرافية، مما يضمن توافق التفسيرات مع المعرفة الطبية المعمول بها. ومع ذلك، تشير الدراسة إلى قيود كبيرة في الأبحاث الحالية، بما في ذلك الاعتماد على بيانات التصوير وبيانات المستشعرات القابلة للارتداء، والتي قد لا تكون قابلة للتطبيق في البيئات ذات الموارد المحدودة. بالإضافة إلى ذلك، غالبًا ما يتم التعامل مع دمج القابلية للتفسير في أطر النمذجة بشكل غير كاف، وتفتقر تقنيات التفسير المحلي إلى التحقق المتسق عبر نماذج مختلفة.
تقدم الأبحاث منهجية شاملة لتطوير نماذج ML وDL القابلة للتفسير للكشف المبكر عن مرض باركنسون باستخدام بيانات سريرية منظمة. تستخدم استراتيجية اختيار الميزات ذات المرحلتين التي تجمع بين تصنيف أهمية الغابة العشوائية مع تقييم SelectKBest لتحديد المؤشرات السريرية الرئيسية مع تقليل التكرار. تقيم الدراسة مصنفات متنوعة، بما في ذلك الغابة العشوائية، وآلة الدعم الناقل، وأقرب الجيران، والشبكات العصبية التلافيفية، وشبكات الذاكرة طويلة وقصيرة المدى، باستخدام مقاييس مثل الدقة، والدقة، والاسترجاع، ودرجة F1، وROC AUC. تشمل المساهمات الرئيسية تصميم نظام تصنيف قابل للتفسير يعتمد فقط على المتغيرات السريرية، وتنفيذ استراتيجية قوية لاختيار الميزات، وتوليد تفسيرات على مستوى الحالة توضح مساهمات الميزات السريرية الحيوية، مما يعزز اتخاذ القرار الشفاف في الممارسة السريرية.
النتائج
تظهر نتائج إطار التصنيف المقترح لتشخيص مرض باركنسون (PD) فعالية نماذج التعلم الآلي (ML) والتعلم العميق (DL) المختلفة. حقق نموذج آلة الدعم الناقل (SVM) أعلى مقاييس الأداء، حيث أبلغ عن دقة تبلغ 90.04%، ودقة 0.9، واسترجاع 0.892، ودرجة F1 تبلغ 0.899، وROC AUC تبلغ 0.949. يوازن هذا النموذج بشكل فعال بين تحديد الإيجابيات الحقيقية وتقليل الإيجابيات الكاذبة، كما يتضح من منحنى ROC ومصفوفة الالتباس، التي تشير إلى الحد الأدنى من التصنيف الخاطئ. كشفت تحليل LIME أن الميزات السريرية الرئيسية مثل شدة الرعشة وتدهور الوظيفة الحركية أثرت بشكل كبير على توقعات النموذج، مما يعزز قابليته للتفسير للاستخدام السريري.
بالمقارنة، أظهر نموذج الغابة العشوائية أفضل أداء شامل بدقة تبلغ 92.72%، ودقة 0.923، واسترجاع 0.931، ودرجة F1 تبلغ 0.927، وROC AUC قوية تبلغ 0.968. أظهر هذا النموذج حساسية وخصوصية عالية، مما يجعله خيارًا موثوقًا للنشر السريري. كما أدت الشبكة العصبية التلافيفية (CNN) أداءً جيدًا، حيث حققت دقة تبلغ 91.95% وأظهرت قدرات قوية في الفحص المبكر، على الرغم من بعض الإيجابيات الكاذبة. أظهرت نماذج أخرى، بما في ذلك LSTM وKNN، نتائج تنافسية ولكن بدقة أقل، خاصة KNN، الذي كان لديه دقة تبلغ 85.25%. بشكل عام، تدعم النتائج دمج نماذج مدفوعة بالذكاء الاصطناعي في البيئات السريرية للكشف الموثوق عن مرض باركنسون، مما يبرز أهمية قابلية تفسير النموذج من خلال أدوات مثل LIME.
المناقشة
تسلط المناقشة الضوء على الدور المتطور للتعلم الآلي (ML) والتعلم العميق (DL) في التشخيص المبكر والتنبؤ بمرض باركنسون (PD)، مع التأكيد على قيود طرق التشخيص التقليدية التي تعتمد بشكل أساسي على الأعراض الحركية القابلة للملاحظة. تشير الدراسات الحديثة إلى أنه بينما تظهر النماذج المعتمدة على الذكاء الاصطناعي أداءً تشخيصيًا واعدًا عبر أنواع بيانات مختلفة، لا تزال التحديات مثل الطبيعة الصندوق الأسود للعديد من نماذج ML والحاجة إلى تقنيات الذكاء الاصطناعي القابل للتفسير (XAI) قائمة. تكشف مراجعة الأدبيات أن العديد من الأنظمة التنبؤية تعتمد على طرق اكتساب بيانات متخصصة، والتي قد لا تكون قابلة للتطبيق في الممارسة السريرية الروتينية، وأن القابلية للتفسير غالبًا ما تُعتبر قضية ثانوية بدلاً من أن تكون مدمجة في إطار النمذجة الأساسي.
توضح النتائج الرئيسية من دراسات مختلفة فعالية أساليب مختلفة، مثل استخدام ميزات الكلام، وبيانات المستشعرات القابلة للارتداء، وتحليل الكتابة اليدوية، مع دقة تتراوح من 81.3% إلى 92.15%. ومع ذلك، فإن القيود مثل أحجام العينات الصغيرة، والتحيز في البيانات، والحاجة إلى تحقق أوسع شائعة عبر هذه الدراسات. تؤكد الورقة على ضرورة وجود إطار تجريبي موحد يدمج اختيار الميزات، ونماذج تصنيف متعددة، وتحليل القابلية للتفسير لتعزيز قابلية المقارنة والتطبيق السريري لأنظمة الكشف عن مرض باركنسون المدفوعة بالذكاء الاصطناعي. تهدف المنهجية المقترحة إلى معالجة هذه الفجوات من خلال استخدام بيانات سريرية منظمة، وضمان القابلية للتفسير من خلال تقنيات XAI مثل LIME، وتسهيل النشر العملي في البيئات السريرية. تشمل اتجاهات البحث المستقبلية التحقق الخارجي ودمج البيانات متعددة الأنماط لتعزيز دقة التشخيص وقوته.
القيود
تقدم الدراسة رؤى قيمة؛ ومع ذلك، يجب الاعتراف بعدة قيود. أولاً، التحليل يعتمد على مجموعة بيانات واحدة من مستودع التعلم الآلي UCI، والتي تفتقر إلى تنوع السكان. وبالتالي، قد لا تكون أداء النموذج قابلاً للتطبيق على مجموعات المرضى من أنظمة الرعاية الصحية أو الخلفيات الديموغرافية المختلفة، ولم يتم إجراء تحقق خارجي بسبب عدم وجود مجموعات بيانات مستقلة متعددة المراكز. تثير هذه القيود مخاوف بشأن قابلية تعميم النتائج عبر مستشفيات وبيئات سريرية مختلفة. علاوة على ذلك، تتكون مجموعة البيانات من ملاحظات سريرية مقطعية بدلاً من المراقبة الطولية لمرض باركنسون، الذي يتطور تدريجيًا. يحد الاعتماد على ترتيب الميزات المنظمة في نموذج LSTM من تمثيل ديناميات المرض على المدى الطويل، حيث إنه لا يعكس المتابعة الزمنية الحقيقية للمرضى.
بالإضافة إلى ذلك، بينما تم إجراء تحليل القابلية للتفسير باستخدام LIME للحصول على رؤى على مستوى الحالة، لم تتضمن الدراسة تقنيات القابلية للتفسير العالمية، التي يمكن أن تعزز فهم تأثير الميزات وسلوك النموذج. بالنسبة للنشر السريري، فإن التحقق الإضافي ضروري، بما في ذلك الموافقة التنظيمية، والدمج في أنظمة المستشفيات، والتجارب السريرية المستقبلية، وكلها تتجاوز نطاق هذه التحقيق. سيساهم معالجة هذه القيود من خلال التقييمات المستقلة والنهج الشاملة للقابلية للتفسير بشكل كبير في تعزيز موثوقية النتائج وقابليتها للتطبيق السريري.
DOI: https://doi.org/10.62762/bish.2026.470997
Publication Date: 2026-03-12
Author(s): Aamir Raza et al.
Primary Topic: Artificial Intelligence in Healthcare
Overview
This study addresses the challenge of early detection of Parkinson’s disease (PD), a prevalent neurodegenerative disorder, particularly in older adults. The research emphasizes the need for accessible diagnostic tools, as traditional imaging methods like MRI and PET scans are often impractical in resource-limited environments. To this end, the authors developed interpretable artificial intelligence (AI) models utilizing structured clinical variables, employing feature selection techniques through Random Forest (RF) importance ranking and SelectKBest statistical scoring to identify key predictors.
The study implemented a comprehensive framework that included data preprocessing, feature selection, stratified data splitting, and the parallel evaluation of various machine learning and deep learning classifiers, including Support Vector Machine (SVM), K-Nearest Neighbors (KNN), RF, and Convolutional Neural Network (CNN). Among these, RF exhibited the highest discriminative performance, while CNN, SVM, and Long Short-Term Memory (LSTM) models also showed competitive results. The findings underscore the potential for reliable PD detection using non-imaging clinical data, with key predictors such as tremor severity, cognitive assessment scores, and age identified as significant. The incorporation of Local Interpretable Model-agnostic Explanations (LIME) provided transparent insights to support clinical decision-making. Future work will focus on external validation with diverse datasets and the integration of multimodal data, including speech and gait analysis, to enhance clinical applicability.
Introduction
Parkinson’s disease (PD) is the second most prevalent neurodegenerative disorder worldwide, affecting over 10 million individuals, predominantly older adults. Its increasing incidence highlights the urgent need for enhanced research and treatment options. PD is characterized by a range of motor symptoms, including tremor, rigidity, and bradykinesia, as well as non-motor symptoms such as depression and cognitive impairment. Early and accurate diagnosis is crucial for effective intervention, yet it remains challenging due to symptom heterogeneity and overlap with other neurological conditions. Traditional diagnostic methods rely heavily on clinical evaluations, often resulting in late-stage diagnoses when significant neuronal damage has occurred, thereby necessitating more objective, biomarker-driven approaches.
In this context, artificial intelligence (AI) has emerged as a promising tool in healthcare, capable of analyzing extensive clinical datasets to identify subtle patterns indicative of PD onset. Various machine learning (ML) and deep learning (DL) models, including Support Vector Machines (SVM), Random Forest (RF), Convolutional Neural Networks (CNN), and Long Short-Term Memory (LSTM) networks, have demonstrated potential in classifying PD based on diverse data types. However, a significant limitation of these models is their “black box” nature, which complicates interpretation and trust among clinicians. This challenge has spurred interest in Explainable AI (XAI), aimed at enhancing the transparency and interpretability of AI predictions, thereby making them more clinically actionable.
Methods
The study employs various interpretability methods, including SHAP, LIME, Grad-CAM, and attention mechanisms, to enhance the understanding of machine learning (ML) models in clinical settings, particularly for Parkinson’s disease (PD) detection. LIME is highlighted for its ability to provide clinically relevant interpretations by identifying influential features such as motor symptom severity (UPDRS scores) and speech characteristics. This model-agnostic approach is crucial for clinical datasets, as it can expose biases related to demographic factors, ensuring that explanations align with established medical knowledge. However, the study notes significant limitations in current research, including a reliance on imaging and wearable sensor data, which may not be feasible in resource-constrained environments. Additionally, the integration of interpretability into modeling frameworks is often insufficiently addressed, and local explanation techniques lack consistent validation across different models.
The research presents a comprehensive methodology for developing interpretable ML and deep learning (DL) models for early PD detection using structured clinical data. It employs a two-stage feature selection strategy combining Random Forest importance ranking with SelectKBest scoring to identify key clinical predictors while minimizing redundancy. The study evaluates various classifiers, including Random Forest, Support Vector Machine, K-Nearest Neighbors, Convolutional Neural Networks, and Long Short-Term Memory networks, using metrics such as accuracy, precision, recall, F1 score, and ROC AUC. The main contributions include the design of an explainable classification system that relies solely on clinical variables, the implementation of a robust feature selection strategy, and the generation of instance-level explanations that clarify the contributions of critical clinical features, thereby promoting transparent decision-making in clinical practice.
Results
The results of the proposed classification framework for Parkinson’s Disease (PD) diagnosis demonstrate the effectiveness of various machine learning (ML) and deep learning (DL) models. The Support Vector Machine (SVM) model achieved the highest performance metrics, reporting an accuracy of 90.04%, precision of 0.9, recall of 0.892, F1-score of 0.899, and ROC AUC of 0.949. This model effectively balances true positive identification and false positive reduction, as evidenced by its ROC curve and confusion matrix, which indicate minimal misclassification. LIME analysis revealed that key clinical features such as tremor severity and motor function deterioration significantly influenced the model’s predictions, enhancing its interpretability for clinical use.
In comparison, the Random Forest model exhibited the best overall performance with an accuracy of 92.72%, precision of 0.923, recall of 0.931, F1-score of 0.927, and a robust ROC AUC of 0.968. This model demonstrated high sensitivity and specificity, making it a reliable choice for clinical deployment. The Convolutional Neural Network (CNN) also performed well, achieving an accuracy of 91.95% and showing strong capabilities in early-stage screening, despite some false positives. Other models, including LSTM and KNN, showed competitive results but with lower accuracy, particularly KNN, which had an accuracy of 85.25%. Overall, the findings support the integration of AI-driven models in clinical settings for the reliable detection of PD, emphasizing the importance of model interpretability through tools like LIME.
Discussion
The discussion highlights the evolving role of machine learning (ML) and deep learning (DL) in the early diagnosis and prediction of Parkinson’s Disease (PD), emphasizing the limitations of traditional diagnostic methods that primarily rely on observable motor symptoms. Recent studies indicate that while AI-based models demonstrate promising diagnostic performance across various data modalities, challenges such as the black-box nature of many ML models and the need for explainable AI (XAI) techniques persist. The literature review reveals that many predictive systems depend on specialized data acquisition methods, which may not be feasible in routine clinical practice, and that interpretability is often treated as a secondary concern rather than being integrated into the core modeling framework.
Key findings from various studies illustrate the effectiveness of different approaches, such as the use of speech features, wearable sensor data, and handwriting analysis, with reported accuracies ranging from 81.3% to 92.15%. However, limitations such as small sample sizes, data bias, and the need for broader validation are common across these studies. The paper underscores the necessity for a unified experimental framework that incorporates feature selection, multiple classification models, and explainability analysis to enhance the comparability and clinical applicability of AI-driven PD detection systems. The proposed methodology aims to address these gaps by utilizing structured clinical data, ensuring interpretability through XAI techniques like LIME, and facilitating practical deployment in clinical settings. Future research directions include external validation and the integration of multimodal data to further enhance diagnostic accuracy and robustness.
Limitations
The study presents valuable insights; however, several limitations must be acknowledged. Firstly, the analysis is based on a single dataset from the UCI Machine Learning Repository, which lacks population diversity. Consequently, the model’s performance may not be applicable to patient populations from various healthcare systems or demographic backgrounds, and external validation was not performed due to the absence of independent multicenter datasets. This limitation raises concerns about the generalizability of the findings across different hospitals and clinical environments. Furthermore, the dataset consists of cross-sectional clinical observations rather than longitudinal monitoring of Parkinson’s disease, which develops gradually. The reliance on structured feature ordering in the LSTM model restricts the representation of long-term disease dynamics, as it does not reflect true temporal patient follow-up.
Additionally, while interpretability analysis was conducted using LIME for instance-level insights, the study did not incorporate global interpretability techniques, which could enhance understanding of feature influence and model behavior. For clinical deployment, further validation is essential, including regulatory approval, integration into hospital systems, and prospective clinical trials, all of which are beyond the scope of this investigation. Addressing these limitations through independent evaluations and comprehensive interpretability approaches would significantly strengthen the reliability and clinical applicability of the findings.