DOI: https://doi.org/10.3389/fncom.2026.1731812
PMID: https://pubmed.ncbi.nlm.nih.gov/41710299
تاريخ النشر: 2026-02-03
المؤلف: Luka Anicin وآخرون
الموضوع الرئيسي: أبحاث الخرف وضعف الإدراك
نظرة عامة
تقدم ورقة البحث إطار عمل جديد لتعلم الآلة مصمم للتصنيف متعدد المراحل لمرض الزهايمر (AD) باستخدام بيانات التصوير بالرنين المغناطيسي (MRI). يستخدم هذا الإطار بنية من طبقتين، حيث يتم استخدام الشبكات العصبية التلافيفية (CNNs) لاستخراج الميزات العميقة في المرحلة الأولى، تليها عملية التصنيف من خلال نماذج التعلم الجماعي، وتحديدًا XGBoost وLightGBM، في المرحلة الثانية. تم تنفيذ تقنيات تحسين ميتاهيرستية، وخاصة نوع مخصص من خوارزمية البحث عن الجوار المتغير (VNS)، لتعزيز أداء النموذج. تم تقييم الإطار بدقة على مجموعات بيانات متاحة للجمهور، محققًا دقة تصنيف قصوى تبلغ 89.55%، مما يبرز فعاليته في التمييز بين مراحل مختلفة من AD.
بالإضافة إلى قدراته التنبؤية، تؤكد الدراسة على أهمية تقنيات الذكاء الاصطناعي القابل للتفسير (XAI)، مثل تحليل SHAP، لتفسير توقعات النموذج وتوضيح أهمية الميزات. هذه القابلية للتفسير ضرورية للتطبيقات السريرية، حيث توفر رؤى حول العلامات الحيوية للتصوير العصبي المرتبطة بتقدم AD. تشير النتائج إلى أن دمج مثل هذه النماذج المتقدمة للتصنيف في سير العمل السريري يمكن أن يحسن بشكل كبير إدارة المرضى، وتخطيط العلاج، وتخصيص الموارد، مما يؤدي في النهاية إلى استراتيجيات رعاية أكثر تخصيصًا. ومع ذلك، تعترف الدراسة بالقيود، بما في ذلك تقييم ضيق لخوارزميات التحسين وأحجام العينات المتواضعة، مما يشير إلى الحاجة إلى أبحاث مستقبلية لتوسيع نطاق النتائج وتعزيز قابليتها للتعميم.
مقدمة
تسلط مقدمة ورقة البحث الضوء على التحدي الحاسم الذي يطرحه مرض الزهايمر (AD)، وهو سبب رئيسي للخرف يؤثر على ملايين الأشخاص حول العالم. مع كون AD يمثل 60%-70% من حالات الخرف، هناك حاجة ملحة لتحسين تقنيات التشخيص لتحديد المرض مبكرًا ومراقبة تقدمه. غالبًا ما تكون طرق التشخيص الحالية، التي تشمل التقييمات العصبية والتصوير العصبي، مكلفة وغير فعالة، خاصة في اكتشاف AD في مراحله المبكرة أو ضعف الإدراك المعتدل (MCI). وهذا يبرز ضرورة وجود منهجيات تشخيصية أكثر سرعة وموثوقية، خاصة مع زيادة عدد السكان المسنين وارتفاع معدل حدوث AD.
تقترح الورقة إطار عمل جديد ذو طبقتين يدمج الشبكات العصبية التلافيفية (CNNs) لاستخراج الميزات من صور الرنين المغناطيسي مع مصنفات جماعية مثل XGBoost وLightGBM لتصنيف المراحل. يهدف هذا النهج الهجين إلى تعزيز دقة التنبؤ مع معالجة تحديات تحسين المعلمات من خلال خوارزمية البحث عن الجوار المتغير (VNS) المخصصة. من خلال دمج التعلم العميق، وطرق التعلم الجماعي، والتحسين الميتاهيرستي، يسعى الإطار المقترح إلى تحسين تصنيف مراحل AD، مما يجعله مناسبًا للنشر في بيئات ذات موارد محدودة. تمهد المقدمة الطريق لاستكشاف شامل للمنهجية، وتصميم التجارب، والنتائج، مع التأكيد على المساهمات المبتكرة للدراسة في مجال تشخيص AD.
طرق
توضح قسم الطرق تطوير وتنفيذ خوارزمية البحث عن الجوار المتغير (VNS) المعدلة، المسماة QSAVNS، ضمن إطار عمل تصنيف ذو طبقتين يدمج شبكة عصبية تلافيفية (CNN) ومصنفات جماعية (XGBoost وLightGBM). يبدأ القسم بمعالجة قيود VNS التقليدية ثم يوضح إعداد التجربة الذي يتضمن ثلاث دراسات تهدف إلى تحسين معلمات الإطار المقترح. استخدمت كل دراسة خوارزميات تحسين ميتاهيرستية لضبط شبكة CNN في الطبقة الأولى ومصنفات الجماعة في الطبقة الثانية، مع كون QSAVNS هو الأسلوب الرئيسي للتحسين.
في تصميم التجربة، تم إجراء ما مجموعه 30 تنفيذًا مستقلًا لكل خوارزمية لتقليل التباين العشوائي، مع التركيز على الحفاظ على ظروف متسقة عبر جميع التجارب. تم تحسين CNN بحجم سكان مخفض من ثمانية مرشحين وحد أقصى من خمس تكرارات، بينما استخدم XGBoost وLightGBM سكانًا من عشرة وتكرارات عشرة. كان الهدف من التحسين هو زيادة معامل الارتباط ماثيو (MCC). تم تقييد معلمات شبكة CNN لتكون تكوينات خفيفة مناسبة للنشر على منصات ذات موارد محدودة، وتم استخدام تمثيلات الميزات التي تم إنشاؤها بواسطة CNN لاحقًا لتدريب وتحسين مصنفات XGBoost وLightGBM، مما يضمن نهج تصنيف مزدوج الطبقات متماسك.
نتائج
تسلط نتائج الدراسة الضوء على فعالية دمج الشبكات العصبية التلافيفية (CNNs) في الطبقة الأولى (L1) من الإطار المقترح لمعالجة واستخراج الميزات التمييزية من صور الرنين المغناطيسي المرتبطة بمراحل مختلفة من مرض الزهايمر (AD). تعتبر هذه الاستخراج الأولي للميزات أمرًا حيويًا لتعزيز دقة التصنيف للطبقة التالية.
في الطبقة الثانية (L2)، استخدمت الدراسة مصنفات تعزيز التدرج، وتحديدًا XGBoost وLightGBM، لإجراء التصنيف النهائي. أظهرت كلا النموذجين أداءً قويًا ومستقرًا عبر مقاييس التقييم، مما يبرز تنافسيتهما وموثوقيتهما في سياق تصنيف AD. تشير هذه النتائج إلى أن الإطار المقترح يستفيد بشكل فعال من تقنيات تعلم الآلة المتقدمة لتحسين القدرات التشخيصية في التصوير العصبي.
نقاش
تسلط قسم النقاش في ورقة البحث الضوء على تحديات تحسين المعلمات في تعلم الآلة، وخاصة طبيعتها الصعبة NP-والآثار المترتبة على نظرية “لا غداء مجاني” (NFL). لمعالجة هذه التحديات، تؤكد الورقة على الاهتمام المتزايد بتقنيات التحسين الميتاهيرستي، وخاصة تلك المستوحاة من ذكاء السرب. هذه الطرق، مثل تحسين سرب الجسيمات (PSO) والخوارزميات الجينية (GA)، توازن بشكل فعال بين الاستكشاف العالمي والاستغلال المحلي، على الرغم من أنها قد تعاني من مشكلات مثل التقارب المبكر. تقترح الورقة نهجًا هجينًا جديدًا، وهو البحث عن الجوار المتغير الواعي بالتوقف التعليمي شبه الانعكاسي (QSAVNS)، الذي يعزز تنوع السكان ويشمل آلية التراجع للتخفيف من التوقف، مما يحسن أداء التحسين.
يجمع الإطار المقترح نظام تصنيف مزدوج الطبقات لتحديد مراحل مرض الزهايمر (AD)، باستخدام الشبكات العصبية التلافيفية (CNNs) لاستخراج الميزات ومصنفات جماعية مثل XGBoost وLightGBM للتصنيف الدقيق. يتم استخدام محسن QSAVNS لضبط المعلمات عبر كلا الطبقتين، مما يظهر أداءً متفوقًا في زيادة معامل الارتباط ماثيو (MCC) وتحقيق دقة تصنيف عالية. تشير النتائج إلى أن QSAVNS لا يتفوق فقط على طرق الميتاهيرستي الأخرى من حيث الاستقرار والموثوقية، ولكن أيضًا يعزز بشكل كبير قدرة النموذج على التمييز بين مراحل مختلفة من AD، مما يبرز إمكانيات خوارزميات الميتاهيرستي في تطبيقات الرعاية الصحية.
DOI: https://doi.org/10.3389/fncom.2026.1731812
PMID: https://pubmed.ncbi.nlm.nih.gov/41710299
Publication Date: 2026-02-03
Author(s): Luka Anicin et al.
Primary Topic: Dementia and Cognitive Impairment Research
Overview
The research paper presents a novel machine learning framework designed for the multi-stage classification of Alzheimer’s disease (AD) using magnetic resonance imaging (MRI) data. This framework employs a two-tier architecture, where convolutional neural networks (CNNs) are utilized for deep feature extraction in the first stage, followed by classification through ensemble learning models, specifically XGBoost and LightGBM, in the second stage. Metaheuristic optimization techniques, particularly a customized variant of the Variable Neighborhood Search (VNS) algorithm, were implemented to enhance model performance. The framework was rigorously evaluated on publicly available datasets, achieving a maximum classification accuracy of 89.55%, which underscores its effectiveness in distinguishing between various stages of AD.
In addition to its predictive capabilities, the study emphasizes the importance of explainable artificial intelligence (XAI) techniques, such as SHAP analysis, to interpret model predictions and elucidate feature importance. This interpretability is crucial for clinical applications, as it provides insights into neuroimaging biomarkers associated with AD progression. The findings suggest that integrating such advanced classification models into clinical workflows can significantly improve patient management, treatment planning, and resource allocation, ultimately leading to more personalized care strategies. However, the study acknowledges limitations, including a narrow evaluation of optimization algorithms and modest sample sizes, indicating the need for future research to expand the scope and enhance the generalizability of the findings.
Introduction
The introduction of the research paper highlights the critical challenge posed by Alzheimer’s disease (AD), a leading cause of dementia affecting millions globally. With AD accounting for 60%-70% of dementia cases, there is an urgent need for improved diagnostic techniques to identify the disease early and monitor its progression. Current diagnostic methods, which include neurological assessments and neuroimaging, are often costly and inefficient, particularly in detecting early-stage AD or mild cognitive impairment (MCI). This underscores the necessity for more rapid and reliable diagnostic methodologies, especially as the elderly population grows and the incidence of AD rises.
The paper proposes a novel dual-layered framework that integrates convolutional neural networks (CNNs) for feature extraction from MRI scans with ensemble classifiers like XGBoost and LightGBM for stage classification. This hybrid approach aims to enhance predictive accuracy while addressing the challenges of hyperparameter optimization through a customized variable neighborhood search (VNS) algorithm. By combining deep learning, ensemble methods, and metaheuristic optimization, the proposed framework seeks to improve the classification of AD stages, making it suitable for deployment in low-resource settings. The introduction sets the stage for a comprehensive exploration of the methodology, experimental design, and results, emphasizing the innovative contributions of the study to the field of AD diagnostics.
Methods
The Methods section outlines the development and implementation of a modified Variable Neighborhood Search (VNS) algorithm, termed QSAVNS, within a dual-stage classification framework that integrates a Convolutional Neural Network (CNN) and ensemble classifiers (XGBoost and LightGBM). The section begins by addressing the limitations of the conventional VNS and then details the experimental setup involving three studies aimed at optimizing the parameters of the proposed framework. Each study utilized metaheuristic optimization algorithms to fine-tune the CNN in the first layer and the ensemble classifiers in the second layer, with QSAVNS serving as the primary optimization method.
In the experimental design, a total of 30 independent executions were conducted for each algorithm to mitigate stochastic variability, with a focus on maintaining consistent conditions across all trials. The CNN was optimized with a reduced population size of eight candidates and a maximum of five iterations, while XGBoost and LightGBM utilized a population of ten and ten iterations. The optimization objective was to maximize the Matthews Correlation Coefficient (MCC). The CNN’s hyperparameters were constrained to lightweight configurations suitable for deployment on resource-limited platforms, and the feature embeddings generated by the CNN were subsequently used to train and optimize the XGBoost and LightGBM classifiers, ensuring a cohesive dual-layer classification approach.
Results
The results of the study highlight the effectiveness of integrating Convolutional Neural Networks (CNNs) in the first layer (L1) of the proposed framework for processing and extracting discriminative features from MRI images associated with various stages of Alzheimer’s Disease (AD). This initial feature extraction is crucial for enhancing the classification accuracy of the subsequent layer.
In the second layer (L2), the study employed gradient boosting classifiers, specifically XGBoost and LightGBM, to conduct the final classification. Both models demonstrated robust and stable performance across the evaluation metrics, underscoring their competitiveness and reliability in the context of AD classification. These findings suggest that the proposed framework effectively leverages advanced machine learning techniques to improve diagnostic capabilities in neuroimaging.
Discussion
The discussion section of the research paper highlights the challenges of hyperparameter optimization in machine learning, particularly its NP-hard nature and the implications of the No Free Lunch (NFL) theorem. To address these challenges, the paper emphasizes the growing interest in metaheuristic optimization techniques, especially those inspired by swarm intelligence. These methods, such as Particle Swarm Optimization (PSO) and Genetic Algorithms (GA), effectively balance global exploration and local exploitation, although they can suffer from issues like premature convergence. The paper proposes a novel hybrid approach, the Quasi-Reflexive Learning Stagnation-Aware Variable Neighborhood Search (QSAVNS), which enhances population diversity and incorporates a rollback mechanism to mitigate stagnation, thus improving optimization performance.
The proposed framework integrates a dual-layer classification system for Alzheimer’s disease (AD) stage identification, utilizing Convolutional Neural Networks (CNNs) for feature extraction and ensemble classifiers like XGBoost and LightGBM for refined classification. The QSAVNS optimizer is employed to tune hyperparameters across both layers, demonstrating superior performance in maximizing the Matthews correlation coefficient (MCC) and achieving high classification accuracy. The results indicate that the QSAVNS not only outperforms other metaheuristic methods in terms of stability and robustness but also significantly enhances the model’s ability to differentiate between various stages of AD, underscoring the potential of metaheuristic algorithms in healthcare applications.