DOI: https://doi.org/10.5935/jetia.v12i57.3295
تاريخ النشر: 2026-01-01
المؤلف: Michael Angello Qadosy Riyadi وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية
نظرة عامة
تقدم هذه الدراسة نموذج الخلايا العصبية الشجرية العشوائي (R-DNM)، وهو مصنف عصبي جديد مصمم للتنبؤ بالأمراض غير المعدية (NCDs) مثل مرض السكري من النوع 2، وسرطان الثدي، وأمراض القلب والأوعية الدموية. يعزز R-DNM الكفاءة الحسابية من خلال عشوائية معلمات الطبقة المخفية مع الاحتفاظ بالتفاعلات المضاعفة المستوحاة بيولوجيًا في الطبقة الشجرية. تم تقييم النموذج بدقة مقارنة بالطرق التقليدية، بما في ذلك نموذج الخلايا العصبية الشجرية القياسي (DNM) والمتغير متعدد المخرجات (MODN)، بالإضافة إلى المصنفات المعروفة مثل الغابة العشوائية، وآلة الدعم الناقل (SVM)، والشبكة العصبية متعددة الطبقات (MLP)، باستخدام التحقق المتقاطع 10 أضعاف على ثلاثة مجموعات بيانات طبية مرجعية. ومن الجدير بالذكر أن R-DNM حقق دقة متوسطة قدرها 0.7552 ± 0.0362 على مجموعة بيانات السكري لهنود بيما، متفوقًا على DNM وMODN بنسبة تصل إلى 3.38% في الدقة، مع تحسينات كبيرة في درجة F1 ووقت الحساب.
تشير النتائج إلى أن R-DNM لا يطابق فقط الأداء التنبؤي لأساليب التعلم العميق المتقدمة، بل يقدم أيضًا سرعات تدريب واستدلال أسرع بكثير مع متطلبات ذاكرة أقل، مما يجعله حلاً قابلاً للتطبيق للكشف المبكر عن NCD في البيئات السريرية ذات الموارد المحدودة. ومع ذلك، قد يكون أداء النموذج أقل مثالية على مجموعات البيانات ذات القابلية العالية لفصل الميزات أو التوزيعات المتوازنة. يجب أن تركز الأبحاث المستقبلية على استراتيجيات التدريب الهجينة، ودمج البيانات السريرية متعددة الأنماط، والتحقق الخارجي مع مجموعات حقيقية، وتنفيذها على الأجهزة العصبية لتعزيز قابلية التوسع وكفاءة الطاقة في تطبيقات الصحة الرقمية.
مقدمة
تسلط المقدمة الضوء على العبء الصحي العالمي الكبير الذي تسببه الأمراض غير المعدية (NCDs)، وخاصة مرض السكري من النوع 2، وسرطان الثدي، وأمراض القلب والأوعية الدموية (CVDs). تتوقع الاتحاد الدولي للسكري أنه بحلول عام 2024، سيعيش 589 مليون بالغ مع مرض السكري، مع زيادة مقلقة متوقعة بحلول عام 2050. من المتوقع أن يصل سرطان الثدي إلى معدل حدوث سنوي قدره 3.2 مليون حالة بحلول عام 2050، بينما من المتوقع أن تتسبب CVDs في زيادة الوفيات من 20.5 مليون في عام 2025 إلى 35.6 مليون بحلول عام 2050. تؤكد هذه الاتجاهات المقلقة على الحاجة الملحة لتحسين استراتيجيات الوقاية والكشف المبكر، وخاصة من خلال الأساليب المدفوعة بالبيانات مثل النمذجة التنبؤية وتصنيف المخاطر.
تناقش هذه القسم أيضًا التقدم في التعلم الآلي والتعلم العميق، الذي أسفر عن نماذج تصنيف عالية الأداء على مجموعات البيانات الطبية، محققة دقة ملحوظة. ومع ذلك، تواجه هذه النماذج غالبًا تحديات تتعلق بالتكاليف الحسابية، ووقت التدريب، وقابلية التعرض للتكيف الزائد. لمعالجة هذه القضايا، تقدم الدراسة نموذج الخلايا العصبية الشجرية العشوائي (R-DNM)، وهو متغير جديد من نموذج الخلايا العصبية الشجرية (DNM). يحافظ R-DNM على الهيكل المستوحى بيولوجيًا من DNM مع تعزيز الكفاءة الحسابية من خلال عشوائية وتثبيت المعلمات في الطبقات المخفية، مما يلغي الحاجة إلى التراجع التكراري. يسمح هذا الابتكار بتدريب أسرع وتحسين المتانة ضد تباينات البيانات، مما يضع R-DNM كأداة واعدة لإدارة الأمراض بشكل فعال في البيئات ذات الموارد المحدودة.
طرق البحث
تستخدم الدراسة سير عمل منهجي لتقييم ثلاثة نماذج عصبية – نموذج الخلايا العصبية الشجرية (DNM)، وامتداده متعدد الفئات (نموذج الخلايا العصبية الشجرية متعددة المخرجات، MODN)، ونموذج الخلايا العصبية الشجرية العشوائي المقترح (R-DNM) – مقابل المصنفات المعروفة مثل الغابة العشوائية (RF)، وآلة الدعم الناقل (SVM)، والشبكة العصبية متعددة الطبقات (MLP). تستخدم التحليل ثلاثة مجموعات بيانات طبية مرجعية: قاعدة بيانات السكري لهنود بيما (PIDD)، وسرطان الثدي في ويسكونسن (تشخيص)، ومجموعة بيانات أمراض القلب والأوعية الدموية، كل منها يتمتع بخصائص سريرية فريدة. تم إجراء تطبيع الميزات باستخدام StandardScaler على بيانات التدريب لمنع تسرب البيانات، وتم تقييم النموذج من خلال التحقق المتقاطع 10 أضعاف، مع قياس الأداء من خلال الدقة، والدقة، والاسترجاع، ودرجة F1، وفقدان اللوغاريتم، مع تقييم الكفاءة الحسابية من حيث وقت التدريب/الاستدلال واستخدام الذاكرة.
يقدم R-DNM نهجًا جديدًا من خلال تثبيت معلمات الطبقة المخفية بعد التهيئة العشوائية وتعلم فقط أوزان المخرجات من خلال الانحدار التحليلي المغلق، مما يقلل بشكل كبير من التعقيد الحسابي مقارنة بـ DNM وMODN، اللذان يعتمد على التراجع التكراري. يحافظ هذا التصميم على عدم الخطية الشجرية المستوحاة بيولوجيًا مع تعزيز الكفاءة. تم إجراء جميع التجارب في ظروف محكومة على نظام Windows 11 مع أجهزة محددة، مما يضمن إمكانية التكرار والعدالة في المقارنات. يتم توضيح سير العمل التجريبي الكامل في الأشكال المرفقة.
النتائج
تشير نتائج تقييم أداء نموذج الخلايا العصبية الشجرية (DNM)، ونموذج الخلايا العصبية الشجرية متعددة المخرجات (MODN)، ونموذج الخلايا العصبية الشجرية العشوائي المقترح (R-DNM) عبر مجموعات بيانات مختلفة إلى ميزة كبيرة لـ R-DNM في الكفاءة الحسابية. على مجموعة بيانات السكري لهنود بيما، أظهر R-DNM أوقات تدريب واستدلال تتراوح بين 0.0020-0.0024 ثانية واستخدام ذاكرة قدره 0.0009 ميغابايت، وهو أقل بكثير من DNM وMODN، اللذان احتاجا إلى 0.4301-0.6597 ثانية و0.0063-0.0080 ميغابايت، على التوالي. يُعزى الأداء المتفوق لـ R-DNM إلى التهيئة العشوائية الثابتة لمعايير الطبقة المخفية والتحسين التحليلي لأوزان المخرجات، مما يبسط عملية التدريب. وصلت دقة التصنيف لـ R-DNM إلى 0.7552 ± 0.0362 مع تكوين relu-tanh، متفوقًا على DNM وMODN في معظم الإعدادات.
على النقيض من ذلك، بينما حافظ R-DNM على كفاءته الحسابية على مجموعة بيانات سرطان الثدي في ويسكونسن، أظهر DNM وMODN أداءً أفضل في التصنيف بسبب القابلية العالية لفصل الميزات في مجموعة البيانات. تم تحقيق أفضل النتائج لـ DNM وMODN تحت تكوين sigmoid-sigmoid، مما أسفر عن دقة قدرها 0.9719 ± 0.0195، مقارنةً بـ R-DNM الذي حقق 0.9473 ± 0.0283. ومع ذلك، تفوق R-DNM في التكوينات المعرضة لعدم الاستقرار العددي، مثل relu-relu، حيث حقق دقة مستقرة فوق 0.9290. على مجموعة بيانات أمراض القلب والأوعية الدموية الكبيرة، أظهر R-DNM مرة أخرى مزاياه الحسابية، حيث احتاج إلى 1.8955-2.0362 ثانية للتدريب والاستدلال، بينما استغرق DNM وMODN وقتًا أطول بكثير. ومع ذلك، تفوق DNM وMODN على R-DNM من حيث دقة التصنيف، خاصة في تكوين sigmoid-sigmoid. بشكل عام، تسلط هذه النتائج الضوء على التوازن بين الدقة التنبؤية والكفاءة الحسابية، مما يضع R-DNM كبديل قوي للتطبيقات الطبية الكبيرة ذات الموارد الحسابية المحدودة.
المناقشة
تناقش هذه القسم نموذج الخلايا العصبية الشجرية العشوائي (R-DNM)، وهو نهج جديد يعزز نموذج الخلايا العصبية الشجرية التقليدي (DNM) من خلال إدخال العشوائية في معلمات الطبقة المخفية لتحسين الكفاءة الحسابية مع الحفاظ على بنية مستوحاة بيولوجيًا. تقيم الدراسة R-DNM باستخدام أربع مجموعات بيانات طبية، بما في ذلك قاعدة بيانات السكري لهنود بيما، وسرطان الثدي في ويسكونسن (تشخيص)، ومجموعات بيانات أمراض القلب والأوعية الدموية، مما يبرز قدرته على تحقيق أداء تنبؤي تنافسي. تتضمن بنية R-DNM آلية بوابة مضاعفة وتستخدم حلاً تحليليًا مغلقًا لتحسين أوزان المخرجات، مما يقلل بشكل كبير من وقت التدريب واستخدام الذاكرة مقارنة بالطرق التكرارية التقليدية.
تشير النتائج إلى أن R-DNM يتفوق على DNM وMODN من حيث درجة F1 ووقت الحساب، خاصة على مجموعات البيانات الصغيرة والمتوازنة بشكل معتدل. على سبيل المثال، يحقق درجة F1 قدرها 0.7205 على مجموعة بيانات السكري لهنود بيما، متجاوزًا درجات DNM وMODN. بينما يظهر R-DNM أداءً أقل قليلاً على مجموعات البيانات القابلة للفصل بشكل كبير مثل سرطان الثدي في ويسكونسن، فإنه يظهر باستمرار كفاءة حسابية متفوقة، مع أوقات تدريب أقل بكثير من تلك الخاصة بالمصنفات المعروفة مثل الغابة العشوائية وآلة الدعم الناقل. تشير النتائج إلى أن R-DNM هو حل واعد للتطبيقات الطبية ذات الموارد المحدودة، على الرغم من أن العمل المستقبلي يجب أن يتناول قيود دقته على بعض مجموعات البيانات ويستكشف تحسينات إضافية في تدريب النموذج والتحقق منه.
DOI: https://doi.org/10.5935/jetia.v12i57.3295
Publication Date: 2026-01-01
Author(s): Michael Angello Qadosy Riyadi et al.
Primary Topic: Artificial Intelligence in Healthcare
Overview
This study presents the Randomized Dendritic Neuron Model (R-DNM), a novel neuromorphic classifier designed for predicting non-communicable diseases (NCDs) such as type 2 diabetes, breast cancer, and cardiovascular diseases. R-DNM enhances computational efficiency by randomizing hidden-layer parameters while retaining biologically inspired multiplicative interactions in the dendritic layer. The model was rigorously evaluated against conventional methods, including the standard Dendritic Neuron Model (DNM) and multi-output variant (MODN), as well as established classifiers like Random Forest, SVM, and MLP, using 10-fold cross-validation on three benchmark medical datasets. Notably, R-DNM achieved an average accuracy of 0.7552 ± 0.0362 on the Pima Indians Diabetes dataset, outperforming DNM and MODN by up to 3.38% in accuracy, with significant improvements in F1-score and computation time.
The findings indicate that R-DNM not only matches the predictive performance of advanced deep learning methods but also offers significantly faster training and inference speeds with lower memory requirements, making it a viable solution for early NCD detection in resource-limited clinical settings. However, the model’s performance may be less optimal on datasets with high feature separability or balanced distributions. Future research should focus on hybrid training strategies, the integration of multi-modal clinical data, external validation with real-world cohorts, and implementation on neuromorphic hardware to enhance scalability and energy efficiency in digital health applications.
Introduction
The introduction highlights the significant global health burden posed by non-communicable diseases (NCDs), specifically type 2 diabetes, breast cancer, and cardiovascular diseases (CVDs). The International Diabetes Federation projects that by 2024, 589 million adults will be living with diabetes, with a concerning rise expected by 2050. Breast cancer is anticipated to reach an annual incidence of 3.2 million cases by 2050, while CVDs are projected to cause an increase in deaths from 20.5 million in 2025 to 35.6 million by 2050. These alarming trends emphasize the critical need for improved prevention and early detection strategies, particularly through data-driven approaches like predictive modeling and risk stratification.
The section further discusses advancements in machine learning and deep learning, which have yielded high-performing classification models on medical datasets, achieving notable accuracies. However, these models often face challenges related to computational costs, training time, and susceptibility to overfitting. To address these issues, the study introduces the Randomized Dendritic Neuron Model (R-DNM), a novel variant of the Dendritic Neuron Model (DNM). R-DNM maintains the biologically inspired structure of DNM while enhancing computational efficiency by randomizing and fixing parameters in hidden layers, thus eliminating the need for iterative backpropagation. This innovation allows for faster training and improved robustness against data variations, positioning R-DNM as a promising tool for effective disease management in resource-limited settings.
Methods
The study employs a systematic methodological workflow to evaluate three neuromorphic models—the Dendritic Neuron Model (DNM), its multiclass extension (Multi-Output Dendritic Neuron Model, MODN), and the proposed Randomized Dendritic Neuron Model (R-DNM)—against established classifiers such as Random Forest (RF), Support Vector Machine (SVM), and Multilayer Perceptron (MLP). The analysis utilizes three benchmark medical datasets: the Pima Indians Diabetes Database (PIDD), Breast Cancer Wisconsin (Diagnostic), and Cardiovascular Disease Dataset, each with unique clinical characteristics. Feature normalization was performed using StandardScaler on training data to prevent data leakage, and model evaluation was conducted via 10-fold cross-validation, measuring performance through accuracy, precision, recall, F1-score, and log-loss, while also assessing computational efficiency in terms of training/inference time and memory usage.
The R-DNM introduces a novel approach by fixing hidden-layer parameters after random initialization and learning only the output weights through closed-form ridge regression, significantly reducing computational complexity compared to DNM and MODN, which rely on iterative backpropagation. This design maintains the biologically inspired dendritic non-linearities while enhancing efficiency. All experiments were conducted under controlled conditions on a Windows 11 system with specified hardware, ensuring reproducibility and fairness in comparisons. The complete experimental workflow is illustrated in the accompanying figures.
Results
The results of the performance evaluation of the Dendritic Neuron Model (DNM), Multi-Output Dendritic Neuron Model (MODN), and the proposed Randomized Dendritic Neuron Model (R-DNM) across various datasets indicate a significant advantage for R-DNM in computational efficiency. On the Pima Indians Diabetes dataset, R-DNM demonstrated training and inference times of 0.0020-0.0024 seconds and memory usage of 0.0009 MB, markedly lower than DNM and MODN, which required 0.4301-0.6597 seconds and 0.0063-0.0080 MB, respectively. The superior performance of R-DNM is attributed to its fixed random initialization of hidden-layer parameters and analytical optimization of output weights, which streamline the training process. Classification accuracy for R-DNM reached 0.7552 ± 0.0362 with the relu-tanh configuration, outperforming DNM and MODN in most settings.
In contrast, while R-DNM maintained its computational efficiency on the Breast Cancer Wisconsin dataset, DNM and MODN exhibited better classification performance due to the dataset’s high feature separability. The best results for DNM and MODN were achieved under the sigmoid-sigmoid configuration, yielding an accuracy of 0.9719 ± 0.0195, compared to R-DNM’s 0.9473 ± 0.0283. Nevertheless, R-DNM excelled in configurations prone to numerical instability, such as relu-relu, where it achieved stable accuracy above 0.9290. On the large-scale Cardiovascular Disease dataset, R-DNM again showcased its computational advantages, requiring 1.8955-2.0362 seconds for training and inference, while DNM and MODN took significantly longer. However, DNM and MODN outperformed R-DNM in terms of classification accuracy, particularly in the sigmoid-sigmoid configuration. Overall, these findings highlight the trade-off between predictive accuracy and computational efficiency, positioning R-DNM as a robust alternative for large-scale medical applications with limited computational resources.
Discussion
The section discusses the Randomized Dendritic Neuron Model (R-DNM), a novel approach that enhances the conventional Dendritic Neuron Model (DNM) by introducing randomization in hidden-layer parameters to improve computational efficiency while maintaining a biologically inspired architecture. The study evaluates R-DNM using four medical datasets, including the Pima Indians Diabetes Database, Breast Cancer Wisconsin (Diagnostic), and Cardiovascular Disease datasets, highlighting its ability to achieve competitive predictive performance. R-DNM’s architecture incorporates a multiplicative gating mechanism and employs a closed-form analytical solution for output weight optimization, significantly reducing training time and memory usage compared to traditional iterative methods.
Results indicate that R-DNM outperforms DNM and MODN in terms of F1-score and computation time, particularly on smaller and moderately imbalanced datasets. For instance, it achieves an F1-score of 0.7205 on the Pima Indians Diabetes dataset, surpassing DNM and MODN’s scores. While R-DNM shows slightly lower performance on highly separable datasets like Breast Cancer Wisconsin, it consistently demonstrates superior computational efficiency, with training times significantly lower than those of established classifiers such as Random Forest and Support Vector Machine. The findings suggest that R-DNM is a promising solution for resource-constrained medical applications, although future work should address its limitations in accuracy on certain datasets and explore further enhancements in model training and validation.