إطار عمل جديد يتنبأ بأمراض القلب بدقة عالية باستخدام الذكاء الاصطناعي القابل للتفسير

Name: إطار عمل جديد يتنبأ بأمراض القلب بدقة عالية باستخدام الذكاء الاصطناعي القابل للتفسير
Author: مدرس الدكتور محمد لوتي

مدرس الدكتور محمد لوتي

doi:10.1186/s12967-025-07292-7

الادمان

إطار عمل جديد يتنبأ بأمراض القلب بدقة عالية باستخدام الذكاء الاصطناعي القابل للتفسير

يناير 30, 2026 • مدرس الدكتور محمد لوتي •

هل يمكن للذكاء الاصطناعي أن يتنبأ بأمراض القلب بدقة أكبر؟

تخيل أنك تزور طبيبك لإجراء فحص روتيني. ماذا لو كان بإمكان الطبيب، بمساعدة الذكاء الاصطناعي، تحديد خطر إصابتك بأمراض القلب قبل ظهور أي أعراض؟ هذا ليس ضربًا من الخيال العلمي، بل هو هدف يسعى إليه الباحثون باستمرار. أمراض القلب لا تزال السبب الرئيسي للوفاة على مستوى العالم، والكشف المبكر والدقيق يمكن أن ينقذ حياة الملايين. ولكن، غالبًا ما تواجه النماذج التقليدية صعوبات في التعامل مع البيانات غير المتوازنة (حيث يكون عدد الحالات السليمة أكبر بكثير من الحالات المصابة)، وضبط الإعدادات المثالية للنماذج، والاعتماد على كميات محدودة من البيانات المصنفة، وصعوبة فهم كيفية توصل النموذج إلى قراراته.

النقاط الرئيسية

طور باحثون إطار عمل جديد يعتمد على الذكاء الاصطناعي لتحسين دقة التنبؤ بأمراض القلب.
يجمع هذا الإطار بين ثلاث تقنيات رئيسية: موازنة البيانات، وتحسين نموذج الشبكة العصبية، والتعلم النشط.
أظهرت النتائج تحسينات كبيرة في جميع مقاييس الأداء، بالإضافة إلى زيادة في شفافية النموذج وقدرته على تفسير قراراته.
يمكن لهذا التقدم أن يساعد الأطباء في اتخاذ قرارات أكثر استنارة وتحسين رعاية المرضى.

المنهجية

قام الباحثون، بقيادة الأستاذ جافيد أ.، بتطوير إطار عمل مبتكر من ثلاث طبقات لمعالجة التحديات المرتبطة بالتنبؤ بأمراض القلب. في البداية، استخدموا تقنية تسمى “أخذ العينات باستخدام درجة الميل” (Oversampling Using the Propensity Score – OUPS) لموازنة مجموعة البيانات المستخدمة، والتي كانت تعاني من عدم توازن كبير بين الحالات السليمة والمصابة. تهدف هذه التقنية إلى الحفاظ على توزيع البيانات الأصلي مع زيادة تمثيل الحالات المصابة.

في الطبقة الأولى، قاموا بتصميم نموذج جديد للتعلم العميق يسمى “شبكة متكررة التفافية” (ConvRecurrentNet – CRNet). يجمع هذا النموذج بين وحدات البوابات (gated units) لالتقاط الاعتماديات الزمنية (العلاقات بين البيانات عبر الزمن) وطبقات الالتفاف (convolutional layers) لاستخراج الميزات المكانية بكفاءة. بمعنى آخر، يحلل النموذج البيانات بطرق مختلفة لفهم الأنماط المعقدة التي قد تشير إلى وجود مرض القلب.

أما الطبقة الثانية، فقد استخدمت خوارزمية “تحسين سرب الجراد” (Grasshopper Optimization Algorithm) لضبط إعدادات نموذج CRNet وتحسين أدائه. هذه الخوارزمية تعمل على إيجاد أفضل مجموعة من الإعدادات (مثل عدد الطبقات وحجمها) لتحقيق أعلى دقة في التصنيف. وفي الطبقة الثالثة، تم تطبيق تقنية “أخذ العينات القائم على عدم اليقين” (Uncertainty-Based Sampling – UBS) وهي نوع من التعلم النشط. تهدف هذه التقنية إلى اختيار العينات الأكثر إفادة (الحالات التي يكون النموذج غير متأكد من تصنيفها) لتدريب النموذج بشكل أكثر فعالية، خاصة في ظل محدودية البيانات المصنفة.

النتائج

أظهرت التجارب التي أجراها الباحثون تحسينات ملحوظة في أداء النموذج الجديد مقارنة بالنماذج التقليدية. فقد ارتفعت الدقة بنسبة 3.45% و 5.75% و 8.05%، والدقة (precision) بنسبة 3.45% و 6.90% و 12.64%، والاسترجاع (recall) بنسبة 4.65% و 5.81% و 4.65%، ومقياس F1 (F1-score) بنسبة 4.65% و 6.98% و 15.12%، وذلك عبر نماذج CRNet، وCRNet المحسّن، وCRNet مع UBS على التوالي. كما تحسنت مقاييس أخرى مثل مساحة تحت منحنى خاصية التشغيل للمستقبل (ROC-AUC) ومعامل ارتباط ماتيوز (Matthews Correlation Coefficient) وكابا كوهين (Cohen’s Kappa) بشكل كبير. بالإضافة إلى ذلك، شهدوا انخفاضًا في “خسارة السجل” (log loss) بنسب تتراوح بين 23.64% و 45.82%.

الأهمية

يشير هذا البحث إلى أن إطار العمل المقترح يمكن أن يعزز بشكل كبير دقة التنبؤ بأمراض القلب من خلال موازنة البيانات، وتحسين الإعدادات، واستخدام التعلم النشط للتغلب على نقص البيانات المصنفة. الأهم من ذلك، أن استخدام تقنيات الذكاء الاصطناعي القابلة للتفسير (explainable AI) مثل “شرح النماذج المحلية المستقلة عن النموذج” (Local Interpretable Model-agnostic Explanations) و “شرح القيم الإضافية لشابلي” (Shapley Additive Explanations) يزيد من شفافية النموذج ويساعد الأطباء على فهم كيفية توصل النموذج إلى قراراته. هذا الأمر بالغ الأهمية لضمان الثقة في النموذج وتشجيع اعتماده في البيئات السريرية الحقيقية. من خلال توفير تنبؤات أكثر دقة وقابلية للتفسير، يمكن لهذا التقدم أن يساعد الأطباء في اتخاذ قرارات أكثر استنارة وتحسين رعاية المرضى المصابين بأمراض القلب.

Reference

Javed A. (2026). A 3-tier information fusioned framework featuring explainable deep active optimized CRNet for accurate heart disease prediction. Journal of Translational Medicine.

DOI: 10.1186/s12967-025-07292-7

تفاصيل الدراسة

Article

Journal of Translational Medicine

يناير 5, 2026

Aymin Javed Nadeem Javaid Muhammad Shafiq Jin-Ghoo Choi Nabil Alrajeh

TW, KR

Aymin Javed et al. (2026). A 3-tier information fusioned framework featuring explainable deep active optimized CRNet for accurate heart disease prediction

DOI: 10.1186/s12967-025-07292-7

اقرأ الملخص العلمي الأصلي

Abstract Background Heart disease remains a leading cause of global morbidity and mortality, emphasizing the need for early and accurate prediction. Traditional models, however, often struggle with high class imbalance, limited accuracy, inadequate hyperparameter tuning, reliance on sparsely labeled data, and poor interpretability. Methods To address these limitations, we introduce a novel 3-tier information fusioned framework integrating Oversampling Using the Propensity Score (OUPS), ConvRecurrentNet (CRNet), an optimized CRNet, and CRNet enhanced with Uncertainty-Based Sampling (UBS). Initially, the highly imbalanced heart disease health indicator dataset is balanced using OUPS while preserving the underlying data distribution. In the first tier, we develop a new deep model; CRNet which combines gated units to capture temporal dependencies and convolutional layers for efficient spatial feature extraction. The second tier leverages the grasshopper optimization algorithm to optimize CRNet configuration and classification performance through hyperparameter tuning. At the third tier, we use an active learning based UBS to address the problem of sparse labeled data selecting the most informative samples for effective CRNet model learning. Model performance and generalizability are assessed through 10-fold cross validation and one-way analysis of variance. Interpretability is ensured using explainable artificial intelligence (AI) methods, local interpretable model-agnostic explanations and shapley additive explanations. Results Improvements are observed across all performance metrics: 3.45%, 5.75%, and 8.05% in accuracy, 3.45%, 6.90%, and 12.64% in precision, 4.65%, 5.81%, and 4.65% in recall, 4.65%, 6.98%, and 15.12% in F1-score, 1.04%, 2.08%, and 3.13% in receiver operating characteristic-area under the curve, 8.00%, 9.33%, and 17.33% in Matthews correlation coefficient, 12.16%, 13.51%, and 18.92% in Cohen’s Kappa, and log loss reduction of 23.64%, 29.45%, and 45.82% across CRNet, optimized CRNet, and CRNet with UBS, respectively. Conclusion The proposed 3-tier fusion framework enhances heart disease prediction by balancing data, optimizing parameters, and applying active learning to address labeled data scarcity. Explainable AI further improves transparency and supports real-world clinical adoption.

اقتبس من هذا المقالة

APAMLACHICAGOHARVARDIEEEAMA

مدرس الدكتور محمد لوتي (2026). إطار عمل جديد يتنبأ بأمراض القلب بدقة عالية باستخدام الذكاء الاصطناعي القابل للتفسير. عرب سايكلوجي. تم الاسترجاع من https://arabpsychology.com/field-news/%d8%a5%d8%b7%d8%a7%d8%b1-%d8%b9%d9%85%d9%84-%d8%ac%d8%af%d9%8a%d8%af-%d9%8a%d8%aa%d9%86%d8%a8%d8%a3-%d8%a8%d8%a3%d9%85%d8%b1%d8%a7%d8%b6-%d8%a7%d9%84%d9%82%d9%84%d8%a8-%d8%a8%d8%af%d9%82%d8%a9-%d8%b9/

مدرس الدكتور محمد لوتي. "إطار عمل جديد يتنبأ بأمراض القلب بدقة عالية باستخدام الذكاء الاصطناعي القابل للتفسير." عرب سايكلوجي, 30 يناير. 2026, https://arabpsychology.com/field-news/%d8%a5%d8%b7%d8%a7%d8%b1-%d8%b9%d9%85%d9%84-%d8%ac%d8%af%d9%8a%d8%af-%d9%8a%d8%aa%d9%86%d8%a8%d8%a3-%d8%a8%d8%a3%d9%85%d8%b1%d8%a7%d8%b6-%d8%a7%d9%84%d9%82%d9%84%d8%a8-%d8%a8%d8%af%d9%82%d8%a9-%d8%b9/.

مدرس الدكتور محمد لوتي. "إطار عمل جديد يتنبأ بأمراض القلب بدقة عالية باستخدام الذكاء الاصطناعي القابل للتفسير." عرب سايكلوجي, 2026. https://arabpsychology.com/field-news/%d8%a5%d8%b7%d8%a7%d8%b1-%d8%b9%d9%85%d9%84-%d8%ac%d8%af%d9%8a%d8%af-%d9%8a%d8%aa%d9%86%d8%a8%d8%a3-%d8%a8%d8%a3%d9%85%d8%b1%d8%a7%d8%b6-%d8%a7%d9%84%d9%82%d9%84%d8%a8-%d8%a8%d8%af%d9%82%d8%a9-%d8%b9/.

مدرس الدكتور محمد لوتي (2026) 'إطار عمل جديد يتنبأ بأمراض القلب بدقة عالية باستخدام الذكاء الاصطناعي القابل للتفسير', عرب سايكلوجي. متاح في: https://arabpsychology.com/field-news/%d8%a5%d8%b7%d8%a7%d8%b1-%d8%b9%d9%85%d9%84-%d8%ac%d8%af%d9%8a%d8%af-%d9%8a%d8%aa%d9%86%d8%a8%d8%a3-%d8%a8%d8%a3%d9%85%d8%b1%d8%a7%d8%b6-%d8%a7%d9%84%d9%82%d9%84%d8%a8-%d8%a8%d8%af%d9%82%d8%a9-%d8%b9/.

[1] مدرس الدكتور محمد لوتي, "إطار عمل جديد يتنبأ بأمراض القلب بدقة عالية باستخدام الذكاء الاصطناعي القابل للتفسير," عرب سايكلوجي, مجلد X, عدد Y, ص Z-Z, يناير, 2026.

مدرس الدكتور محمد لوتي. إطار عمل جديد يتنبأ بأمراض القلب بدقة عالية باستخدام الذكاء الاصطناعي القابل للتفسير. عرب سايكلوجي. 2026;vol(issue):pages.

تحميل المقال (.PDF)