DOI: https://doi.org/10.1038/s41598-026-51590-z
PMID: https://pubmed.ncbi.nlm.nih.gov/42151324
تاريخ النشر: 2026-05-18
المؤلف: Amr Zakaria
الموضوع الرئيسي: علوم الإدراك ورسم الخرائط
نظرة عامة
تقدم هذه الورقة إطار عمل تكيفي يركز على الإنسان لدعم اتخاذ القرار الطبي القائم على خرائط الإدراك الضبابية، يسمى HCFDSS. يدمج الإطار نمذجة المفاهيم الضبابية، واستدلال FCM المحدود، وتعلم الأوزان المنتظم، وعامل تصحيح الخبراء، مع التركيز على نهج منظم لتدخل الخبراء ضمن آلية التحديث. تكمن المساهمة المنهجية في الصياغة الواضحة لهذا التكامل بدلاً من تقديم قاعدة هجينة جديدة. التحليل مقسم إلى مرحلتين: مرحلة استدلال الوزن الثابت ومرحلة تحديث الوزن الخارجي، حيث يتم اشتقاق الشروط الكافية لتقارب التحديثات المصححة من قبل الخبراء تحت افتراضات السلاسة والحدود القياسية.
تتضمن الدراسة تجريبياً تحليل مرجعي عبر سيناريوهات اصطناعية وثلاث مجموعات بيانات طبية عامة، إلى جانب مقارنات مع طرق التعلم الآلي السائدة. كما تتناول الحساسية لتدخل الخبراء، والتحقق من المعالجة المسبقة، والصلابة في ظل ظروف البيانات المفقودة وعدم التوازن. يتم وضع إطار HCFDSS كنموذج دعم قرار شفاف يسمح للأطباء بفحص وتنقيح العلاقات على مستوى المفهوم مع الحفاظ على القابلية للتكيف. تشمل اتجاهات البحث المستقبلية التحقق السريري الأوسع، وتقييمات القابلية للاستخدام التي تركز على احتياجات الأطباء، والامتدادات الزمنية، وإدماج نماذج عدم اليقين الأكثر تعقيدًا، مثل خرائط الإدراك الضبابية من النوع 2 أو الفترات الزمنية.
مقدمة
في مقدمة هذه الورقة البحثية، يحدد المؤلفون تقييمًا مقارنًا يهدف إلى تقييم القدرات التنبؤية للإطار المفاهيمي الهرمي المقترح لأنظمة دعم القرار (HCFDSS) مقابل المعايير السائدة في التعلم الآلي. يتضمن التقييم مصنفات مختلفة مثل الانحدار اللوجستي، وآلات الدعم الشعاعي، والغابات العشوائية، وزيادة التدرج، والجيران الأقرب، والبيرسيبترونات متعددة الطبقات، مع استبعاد ANFIS بسبب عدم قدرتها على تلبية معايير القابلية للتكرار المحددة للدراسة.
تم تدريب النماذج بشكل متسق عبر ثلاث مجموعات بيانات باستخدام خط أنابيب معالجة مسبقة وبروتوكول تحقق موحد. يتم استخدام مقاييس الأداء التنبؤية، بما في ذلك الدقة، والدقة، والاسترجاع، ودرجة F1، وAUROC، والدقة المتوازنة في السيناريوهات غير المتوازنة، لقياس الفعالية. بالإضافة إلى ذلك، بالنسبة للنماذج القائمة على FCM، يذكر المؤلفون عن القابلية للتفسير الهيكلي، وسرعة التكيف، والاستقرار، مشيرين إلى أن القابلية للتفسير الهيكلي تعتمد على حواف مستوى المفهوم والاتفاق الدلالي للخبراء، مما يجعلها غير قابلة للتطبيق على المصنفات غير الشفافة أو غير الرسومية.
طرق
تم هيكلة التقييم التجريبي لنظام دعم القرار السريري الهجين المقترح (HCFDSS) لتقييم فعاليته عبر أربعة أبعاد رئيسية: الأداء التنبؤي، والقابلية للتفسير الهيكلي، والحساسية لتدخل الخبراء، والصلابة في وجود بيانات غير كاملة. استخدمت الدراسة نهجًا مزدوجًا، يجمع بين البيانات الاصطناعية والبيانات الواقعية. على وجه التحديد، تم تصميم سيناريوهين طبيين اصطناعيين لعزل وتحليل التفاعلات غير الخطية وسلوك تصحيحات الخبراء. بالإضافة إلى ذلك، تم استخدام ثلاث مجموعات بيانات طبية مرجعية عامة معروفة، وهي مجموعة بيانات أمراض القلب من UCI، ومجموعة بيانات تشخيص سرطان الثدي من ويسكونسن، ومجموعة بيانات باركنسون، للتحقق من أداء النظام في التطبيقات العملية.
مناقشة
في قسم المناقشة من الورقة البحثية، يحدد المؤلفون المكونات الأساسية لنظام دعم القرار الضبابي الذي يركز على الإنسان (HCFDSS). يبدأون بإعادة النظر في المجموعات الضبابية، التي تُعرف بواسطة دوال العضوية التي تسمح بتمثيل العضوية التدريجية، وهي مفيدة بشكل خاص في السياقات الطبية حيث تفتقر الأوصاف مثل “ارتفاع ضغط الدم” إلى حدود واضحة. يستخدم المؤلفون دوال العضوية الغاوسية لانتقالاتها السلسة وراحة التحسين. ثم يقدمون خرائط الإدراك الضبابية (FCMs) كنماذج ديناميكية تمثلها رسوم بيانية موجهة موزونة، حيث تتطور حالات التنشيط بناءً على قاعدة استدلال محدودة. تركز الدراسة على ديناميات النقاط الثابتة، مع التأكيد على الاستقرار في دعم القرار التشخيصي بدلاً من السلوكيات المتذبذبة.
يستعرض المؤلفون الإطار التشغيلي لـ HCFDSS، الذي يدمج نمذجة المفاهيم الضبابية، واستدلال FCM، وتعلم الأوزان المعتمد على البيانات، وتصحيحات الخبراء. تتكون المنهجية من عدة خطوات، بما في ذلك تطبيع المتغيرات السريرية، ورسم الخرائط إلى المفاهيم الضبابية، والتحديثات التكرارية لجهات التنشيط ومصفوفات الأوزان. يتم تسليط الضوء على آلية تصحيح الخبراء كعنصر حاسم، مما يسمح بإجراء تعديلات محكومة على النموذج بناءً على الرؤى السريرية، مما يعزز القابلية للتفسير ويحافظ على نزاهة عملية اتخاذ القرار. يختتم القسم بتحليل نظري يثبت تقارب إجراء التدريب ذي المرحلتين المقترح، مما يضمن أن ديناميات الاستدلال والتعلم مرتبطة بشكل فعال لدعم القرار الطبي بشكل قوي.
القيود
يمتلك الإطار البحثي المقدم عدة قيود تؤثر على قابليته للتوسع وتطبيقه العملي. مع زيادة عدد المفاهيم، يصبح استنباط الخبراء أكثر تعقيدًا، مما يؤدي إلى نمو سريع في حواف المرشحين وتحديات في الحفاظ على ديناميات استدلال مستقرة. لمعالجة هذه القضايا في النماذج السريرية الأكبر، قد تكون استراتيجيات مثل قيود الطوبولوجيا النادرة، والتفكيك المودولي، وتجميع المفاهيم الخاصة بالأمراض ضرورية.
كما تم الإشارة إلى القيود النظرية، لا سيما فيما يتعلق بنتائج التقارب التي تم مناقشتها في قسم “التحليل النظري”، والتي تعتمد على افتراضات محددة مثل التقعر القوي للهدف الخارجي وحدود مجموعة الأوزان المقبولة. بينما توضح هذه الافتراضات التحليل، قد لا تلتقط جميع التطبيقات العملية بشكل كامل. تجريبيًا، على الرغم من تضمين ثلاث مجموعات بيانات مرجعية عامة، لا يتفوق نموذج HCFDSS باستمرار على نماذج التعلم الآلي السائدة من حيث الأداء التنبؤي الخام. تكمن نقاط قوته الرئيسية في القابلية للتفسير الهيكلي، والحفاظ على الدلالة، وقابلية تعديل الخبراء. وبالتالي، يجب اعتبار هذه الدراسة مساهمة منهجية تهدف إلى دعم اتخاذ القرار الطبي بدلاً من أداة تشخيصية تم التحقق منها سريريًا، مع بقاء الدراسات السريرية المستقبلية وتقييمات القابلية للاستخدام التي تركز على الأطباء خارج نطاقها الحالي.
DOI: https://doi.org/10.1038/s41598-026-51590-z
PMID: https://pubmed.ncbi.nlm.nih.gov/42151324
Publication Date: 2026-05-18
Author(s): Amr Zakaria
Primary Topic: Cognitive Science and Mapping
Overview
This paper presents a human-centric adaptive framework for fuzzy cognitive map-based medical decision support, termed HCFDSS. The framework integrates fuzzy concept modeling, bounded FCM reasoning, regularized weight learning, and an expert-correction operator, emphasizing a structured approach to expert intervention within the update mechanism. The methodological contribution lies in the clear formulation of this integration rather than the introduction of a new hybrid rule. The analysis is divided into two stages: a fixed-weight reasoning stage and an outer weight-update stage, where sufficient conditions for the convergence of the projected expert-corrected updates are derived under standard smoothness and boundedness assumptions.
Empirically, the study includes a benchmarking analysis across synthetic scenarios and three public medical datasets, alongside comparisons with mainstream machine learning methods. It also addresses sensitivity to expert intervention, preprocessing validation, and robustness under conditions of missing data and imbalance. The HCFDSS framework is positioned as a transparent decision-support model that allows clinicians to inspect and refine concept-level relationships while maintaining adaptability. Future research directions include broader clinical validation, usability evaluations focused on physician needs, temporal extensions, and the incorporation of more complex uncertainty models, such as interval or type-2 fuzzy cognitive maps.
Introduction
In the introduction of this research paper, the authors outline a comparative evaluation aimed at assessing the predictive capabilities of the proposed Hierarchical Conceptual Framework for Decision Support Systems (HCFDSS) against mainstream machine-learning baselines. The evaluation includes various classifiers such as logistic regression, support vector machines, random forests, gradient boosting, k-nearest neighbors, and multilayer perceptrons, while excluding ANFIS due to its inability to meet the reproducibility criteria established for the study.
The models are trained consistently across three datasets using a uniform preprocessing pipeline and validation protocol. Predictive performance metrics, including accuracy, precision, recall, F1-score, AUROC, and balanced accuracy in imbalanced scenarios, are utilized to gauge effectiveness. Additionally, for FCM-based models, the authors report on structural interpretability, adaptation speed, and stability, noting that structural interpretability is contingent on concept-level edges and expert semantic agreement, making it inapplicable to black-box or non-graph classifiers.
Methods
The empirical evaluation of the proposed Hybrid Clinical Decision Support System (HCFDSS) was structured to assess its effectiveness across four key dimensions: predictive performance, structural interpretability, sensitivity to expert intervention, and robustness in the presence of imperfect data. The study utilized a dual approach, incorporating both synthetic and real-world data. Specifically, two synthetic medical scenarios were crafted to isolate and analyze nonlinear interactions and the behavior of expert corrections. Additionally, three established public medical benchmark datasets were employed, namely the UCI Heart Disease dataset, the Breast Cancer Wisconsin Diagnostic dataset, and the Parkinson’s dataset, to further validate the system’s performance in practical applications.
Discussion
In the discussion section of the research paper, the authors outline the foundational components of their proposed Human-Centric Fuzzy Decision Support System (HCFDSS). They begin by revisiting fuzzy sets, which are defined by membership functions that allow for gradual membership representation, particularly useful in medical contexts where descriptors like “high blood pressure” lack crisp boundaries. The authors employ Gaussian membership functions for their smooth transitions and optimization convenience. They then introduce fuzzy cognitive maps (FCMs) as dynamic models represented by weighted directed graphs, where the activation states evolve based on a bounded reasoning rule. The study focuses on fixed-point dynamics, emphasizing stability in diagnostic decision support rather than oscillatory behaviors.
The authors detail the operational framework of the HCFDSS, which integrates fuzzy concept modeling, FCM reasoning, data-driven weight learning, and expert corrections. The methodology consists of several steps, including normalization of clinical variables, mapping to fuzzy concepts, and iterative updates of activation vectors and weight matrices. The expert correction mechanism is highlighted as a crucial element, allowing for controlled adjustments to the model based on clinical insights, thus enhancing interpretability and maintaining the integrity of the decision-making process. The section concludes with a theoretical analysis that establishes the convergence of the proposed two-stage training procedure, ensuring that the reasoning and learning dynamics are effectively coupled for robust medical decision support.
Limitations
The research framework presented has several limitations that impact its scalability and practical application. As the number of concepts increases, expert elicitation becomes more complex, leading to a rapid growth in candidate edges and challenges in maintaining stable reasoning dynamics. To address these issues in larger clinical models, strategies such as sparse topology constraints, modular decomposition, and disease-specific concept grouping may be necessary.
Theoretical limitations are also noted, particularly regarding the convergence results discussed in the section “Theoretical analysis,” which rely on specific assumptions such as strong convexity of the outer objective and boundedness of the admissible weight set. While these assumptions clarify the analysis, they may not fully capture all practical implementations. Empirically, despite the inclusion of three public benchmark datasets, the HCFDSS model does not consistently outperform mainstream machine-learning models in terms of raw predictive performance. Its primary strengths lie in structural interpretability, semantic preservation, and expert editability. Consequently, this study should be regarded as a methodological contribution aimed at medical decision support rather than a clinically validated diagnostic tool, with prospective clinical studies and physician-centered usability evaluations remaining outside its current scope.