DOI: https://doi.org/10.1155/2024/4468842
تاريخ النشر: 2024-03-25
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية
نظرة عامة
تتناول ورقة البحث الاضطراب الوراثي في الدم المعروف بالثلاسيميا، والذي يسببه بشكل أساسي خلل في الهيموغلوبين. تسلط الضوء على أنماط الوراثة في الثلاسيميا بيتا، حيث يؤدي كون كلا الوالدين حاملين إلى فرصة بنسبة 25% لتطور أشكال شديدة من المرض لدى ذريتهم. تؤكد الورقة على الحاجة إلى طرق فعالة للفحص قبل الولادة، حيث أن الاختبارات الحالية مكلفة وتستغرق وقتًا طويلاً. إن معدل الوفيات المرتفع المرتبط بالثلاسيميا يبرز أهمية الكشف المبكر والتدخل.
لتحسين اكتشاف الحاملين، تقترح الدراسة نموذج دمج متأخر يعتمد على التعلم الآلي يقوم بتحليل ميزات خلايا الدم الحمراء. يدمج النموذج أربعة خوارزميات—الانحدار اللوجستي، بايزي البسيط، شجرة القرار، والشبكة العصبية—محققًا دقة فردية تبلغ 94.01%، 93.15%، 97.93%، و98.07%، على التوالي. ينتهي نموذج الدمج المتأخر بدقة إجمالية تبلغ 96%، متفوقًا على الطرق الحالية من حيث الكفاءة والموثوقية. تم تصميم النظام المقترح ليكون سهل الاستخدام لكل من المتخصصين في المجال الطبي والأشخاص العاديين، مما يسهل تقييم حالة الثلاسيميا من خلال بيانات إدخال بسيطة. قد تشمل التحسينات المستقبلية تطبيق التعلم الفيدرالي وتقنيات التعلم الآلي الأخرى، مثل الذاكرة طويلة المدى قصيرة الأجل (LSTM)، لاستكشاف مراحل الثلاسيميا المختلفة بشكل أكبر.
مقدمة
تناقش مقدمة ورقة البحث الثلاسيميا، وهو اضطراب وراثي في الدم يتميز بعدم كفاية إنتاج الهيموغلوبين، وهو أمر حيوي لنقل الأكسجين في الجسم. مستمدة من مصطلحات يونانية تعني “المحيط” و”الدم”، تعتبر الثلاسيميا شائعة، خاصة في المناطق المتوسطية، وتطرح تحديات كبيرة للصحة العامة بسبب ارتفاع معدل حدوثها وما يرتبط بها من مرض ومعدل وفيات. يتم تصنيف الاضطراب إلى ثلاسيميا ألفا وثلاسيميا بيتا، بناءً على الشذوذ في سلاسل البوليببتيد الخاصة بالهيموغلوبين، مما يؤدي إلى درجات متفاوتة من فقر الدم تصنف على أنها رئيسية ومتوسطة وصغيرة.
تؤكد الورقة على أهمية الكشف المبكر والتشخيص الدقيق للثلاسيميا، والذي يمكن أن يكون معقدًا بسبب الحاجة إلى تمييزها عن فقر الدم الناتج عن نقص الحديد من خلال اختبارات تشخيصية مختلفة. غالبًا ما تكون هذه الاختبارات مكلفة وغير متاحة بشكل عالمي. لمعالجة هذه التحديات، يقترح المؤلفون نهجًا جديدًا يعتمد على التعلم الآلي (ML) يدمج عدة خوارزميات—الانحدار اللوجستي، بايزي البسيط، شجرة القرار، والشبكات العصبية—من خلال تقنية الدمج المتأخر. يهدف هذا الأسلوب إلى تعزيز دقة التنبؤ بحاملي الثلاسيميا بيتا، مما يسهل التدخل المبكر والإرشاد الوراثي. تؤكد الدراسة أن نموذج الدمج القائم على الضبابية المقترح يتفوق على نماذج التنبؤ الحالية، مما يبرز الحاجة إلى تحسين المنهجيات في تحديد حاملي الثلاسيميا.
النتائج
يستخدم النموذج المقترح القائم على الدمج المتأخر للتنبؤ بحاملي الثلاسيميا بيتا أربع تقنيات تعلم آلي: الانحدار اللوجستي (LR)، بايزي البسيط (NB)، أشجار القرار (DT)، والشبكات العصبية (NN)، مستفيدًا من مجموعة بيانات تحتوي على 5066 ميزة. تم تقسيم مجموعة البيانات إلى 70% للتدريب (3546 سجل) و30% للاختبار (1520 سجل). حقق النموذج معدلات دقة عالية عبر جميع الطرق، حيث حقق LR دقة تبلغ 94.2% أثناء التدريب و94.01% أثناء الاختبار، وحقق NB دقة 92.4% و93.15%، وبلغ DT 99.15% و99.93%، وحقق NN دقة 99.4% و100% كاملة في الاختبار.
شملت مقاييس التقييم الدقة، ومعدل الخطأ، والحساسية، حيث أظهرت طرق DT وNN أداءً قويًا بشكل خاص. على سبيل المثال، كان معدل الخطأ في نموذج DT فقط 0.07% أثناء الاختبار، بينما لم يكن هناك أي تصنيفات خاطئة في نموذج NN. بالإضافة إلى ذلك، تم تنفيذ نظام ضبابي لتوليد نتائج قائمة على الدمج، والذي حدد 12 مخرجات لكل من الحاملين وغير الحاملين، مع مخرج واحد يشير إلى عدم اليقين بين الفئتين. بشكل عام، تشير النتائج إلى أن نموذج الدمج المتأخر يشخص بفعالية حاملي الثلاسيميا بيتا وغير الحاملين بدقة عالية ومعدلات خطأ منخفضة.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على مختلف أساليب التعلم الآلي المستخدمة في الكشف المبكر عن الثلاسيميا، مع التركيز بشكل خاص على تحديد حاملي الثلاسيميا بيتا. استخدمت الدراسات السابقة خوارزميات مختلفة، بما في ذلك الشبكات العصبية الاصطناعية (ANN)، وآلات الدعم الشعاعي (SVM)، وأشجار القرار، محققة مستويات متفاوتة من الدقة. على سبيل المثال، أفاد هيريموتوغودا وويجاراثنا بدقة تبلغ 84.54% باستخدام شبكة ANN ثلاثية الطبقات، بينما حقق صادق وآخرون دقة 93% باستخدام نموذج مصنف جماعي. يهدف نموذج الدمج المتأخر المقترح في هذه الدراسة إلى تعزيز دقة التنبؤ من خلال دمج تقنيات تعلم آلي متعددة، بما في ذلك الانحدار اللوجستي، بايزي البسيط، أشجار القرار، والشبكات العصبية، محققًا دقة ملحوظة تبلغ 96%.
يستخدم النموذج المقترح نهجًا منظمًا، يبدأ بجمع البيانات ومعالجتها، تليها تطبيق خوارزميات مختلفة. يساهم دمج قواعد المنطق الضبابي في تحسين عملية التنبؤ، مما يسمح بتصنيف قوي لحاملي الثلاسيميا بيتا مقابل غير الحاملين. تشير النتائج إلى أن نموذج الدمج المتأخر لا يتفوق فقط على دقة الطرق الحالية، بل يقدم أيضًا نظامًا سهل الاستخدام لكل من المتخصصين في المجال الطبي والأشخاص العاديين لتقييم مخاطر الثلاسيميا. قد تشمل التحسينات المستقبلية دمج تقنيات متقدمة مثل التعلم الفيدرالي وشبكات الذاكرة طويلة المدى قصيرة الأجل (LSTM)، مما قد يوسع من قابلية تطبيق النموذج على أنواع الثلاسيميا الأخرى.
DOI: https://doi.org/10.1155/2024/4468842
Publication Date: 2024-03-25
Author(s): Zhenyun Du et al.
Primary Topic: Artificial Intelligence in Healthcare
Overview
The research paper addresses the genetic blood disorder thalassemia, primarily caused by abnormalities in hemoglobin. It highlights the inheritance patterns of beta thalassemia, where both parents being carriers results in a 25% chance of their offspring developing severe forms of the disease. The paper emphasizes the need for efficient prenatal screening methods, as current testing is costly and time-consuming. The high mortality rate associated with thalassemia underscores the importance of early detection and intervention.
To improve carrier detection, the study proposes a machine learning-based late fusion model that analyzes red blood cell features. The model integrates four algorithms—Logistic Regression, Naïve Bayes, Decision Tree, and Neural Network—achieving individual accuracies of 94.01%, 93.15%, 97.93%, and 98.07%, respectively. The late fusion model culminates in an overall accuracy of 96%, outperforming existing methods in terms of efficiency and reliability. The proposed system is designed to be user-friendly for both medical professionals and laypersons, facilitating thalassemia status assessments through simple input data. Future enhancements may include the application of federated learning and other machine learning techniques, such as Short-Term Long Memory (LSTM), to further explore various thalassemia stages.
Introduction
The introduction of the research paper discusses thalassemia, a genetic blood disorder characterized by inadequate hemoglobin production, which is crucial for oxygen transport in the body. Originating from Greek terms meaning “the ocean” and “the blood,” thalassemia is prevalent, particularly in Mediterranean regions, and poses significant public health challenges due to its high incidence and associated morbidity and mortality. The disorder is classified into alpha-thalassemia and beta-thalassemia, based on abnormalities in the respective polypeptide chains of hemoglobin, leading to varying degrees of anemia categorized as major, intermediate, and minor.
The paper emphasizes the importance of early detection and accurate diagnosis of thalassemia, which can be complicated by the need to differentiate it from iron deficiency anemia through various diagnostic tests. These tests are often costly and not universally accessible. To address these challenges, the authors propose a novel machine learning (ML) approach that integrates multiple algorithms—Logistic Regression, Naïve Bayes, Decision Tree, and Neural Networks—through a late fusion technique. This method aims to enhance the accuracy of predicting beta-thalassemia carriers, thereby facilitating early intervention and genetic counseling. The study asserts that the proposed fuzzy-based fusion model outperforms existing prediction models, highlighting the need for improved methodologies in thalassemia carrier identification.
Results
The proposed late fusion-based model for predicting beta-thalassemia carriers employs four machine learning techniques: Logistic Regression (LR), Naive Bayes (NB), Decision Trees (DT), and Neural Networks (NN), utilizing a dataset of 5066 features. The dataset was split into 70% for training (3546 records) and 30% for testing (1520 records). The model achieved high accuracy rates across all methods, with LR attaining 94.2% accuracy during training and 94.01% during testing, NB achieving 92.4% and 93.15%, DT reaching 99.15% and 99.93%, and NN achieving 99.4% and a perfect 100% in testing.
The evaluation metrics included accuracy, miss rate, and sensitivity, with the DT and NN approaches demonstrating particularly strong performance. For instance, the DT model had a miss rate of only 0.07% during testing, while the NN model had no misclassifications. Additionally, a fuzzy system was implemented to generate fusion-based results, which identified 12 outputs for both carriers and non-carriers, with one output indicating uncertainty between the two categories. Overall, the results indicate that the late fusion model effectively diagnoses beta-thalassemia carriers and non-carriers with high accuracy and low miss rates.
Discussion
The discussion section of the research paper highlights various machine learning approaches employed in the early detection of thalassemia, particularly focusing on beta-thalassemia carrier identification. Previous studies have utilized different algorithms, including artificial neural networks (ANN), support vector machines (SVM), and decision trees, achieving varying levels of accuracy. For instance, Hirimutugoda and Wijayarathna reported an accuracy of 84.54% using a three-layer ANN, while Sadiq et al. achieved 93% accuracy with an ensemble classifier model. The proposed late fusion model in this study aims to enhance prediction accuracy by integrating multiple machine learning techniques, including Logistic Regression, Naïve Bayes, Decision Trees, and Neural Networks, achieving a notable accuracy of 96%.
The proposed model employs a structured approach, beginning with data acquisition and preprocessing, followed by the application of various algorithms. The integration of fuzzy logic rules further refines the prediction process, allowing for a robust classification of beta-thalassemia carriers versus non-carriers. The results indicate that the late fusion model not only surpasses the accuracy of existing methods but also offers a user-friendly system for both medical professionals and laypersons to assess thalassemia risk. Future enhancements could involve the incorporation of advanced techniques such as federated learning and Long Short-Term Memory (LSTM) networks, potentially broadening the model’s applicability to other thalassemia variants.