توقع تطور مرض التصلب الجانبي الضموري بدقة باستخدام الذكاء الاصطناعي والتعلم العميق

Name: توقع تطور مرض التصلب الجانبي الضموري بدقة باستخدام الذكاء الاصطناعي والتعلم العميق
Author: مدرس الدكتور محمد لوتي

مدرس الدكتور محمد لوتي

doi:10.1038/s41598-025-30913-6

الادمان

توقع تطور مرض التصلب الجانبي الضموري بدقة باستخدام الذكاء الاصطناعي والتعلم العميق

يناير 28, 2026 • مدرس الدكتور محمد لوتي •

تخيل أنك أمام تحدٍ: التنبؤ بمسار مرض عصبي مدمر، مثل التصلب الجانبي الضموري (ALS)، حيث كل يوم يحمل معه تدهورًا في القدرات الحركية، وصولًا إلى صعوبة التنفس. هذا المرض، الذي يصيب الخلايا العصبية الحركية، يختلف من مريض لآخر، مما يجعل التنبؤ بمساره وتحديد العلاج المناسب أمرًا بالغ الصعوبة. هل يمكننا استخدام الذكاء الاصطناعي لتحسين هذه العملية؟

النقاط الرئيسية

طور باحثون نموذجًا جديدًا يعتمد على الذكاء الاصطناعي للتنبؤ بمسار مرض التصلب الجانبي الضموري بدقة عالية تصل إلى 98.17٪.
يستخدم النموذج تقنيات متقدمة لتقليل الأبعاد (اختيار أهم البيانات) وتحسين أداء الشبكات العصبية العميقة.
يهدف هذا النموذج إلى مساعدة الأطباء في تحديد العلاج الأنسب للمرضى وتقييم مدى تقدم المرض بشكل أكثر دقة.
يعالج النموذج مشكلة عدم التوازن في البيانات، وهي مشكلة شائعة في الدراسات الطبية، مما يزيد من موثوقية النتائج.

المنهجية

قام الباحثون، بقيادة الدكتور دعيم ماجد عبد الله، بتطوير إطار عمل جديد يسمى DRMODL-ALSDP (إطار عمل لتقليل الأبعاد باستخدام التحسين الميتاهيورستيكي ونماذج التعلم العميق للتنبؤ بمسار مرض التصلب الجانبي الضموري). يعتمد هذا الإطار على عدة مراحل رئيسية. أولاً، يتم تجهيز البيانات الأولية باستخدام تقنية “التطبيع من وإلى” (min-mx normalization)، وهي عملية لتحويل البيانات إلى نطاق محدد لتسهيل معالجتها. ثم، يتم استخدام تقنية “SMOTE” لمعالجة مشكلة عدم التوازن في البيانات، حيث يتم زيادة عدد الحالات في الفئات الأقل تمثيلاً (أي المراحل المبكرة من المرض) لضمان عدم تحيز النموذج نحو المراحل الأكثر شيوعًا.

بعد ذلك، يتم استخدام خوارزمية “حركة سيف البحر الثنائية” (BSMOA) لاختيار أهم الميزات (البيانات) التي تساعد في التنبؤ بمسار المرض. هذه العملية، المعروفة باسم “تقليل الأبعاد”، تهدف إلى التخلص من البيانات غير الضرورية التي قد تؤثر سلبًا على دقة النموذج. أما المرحلة الأخيرة، فتعتمد على شبكة عصبية عميقة هجينة تجمع بين شبكة “الالتفاف الزمني” (TCN) وشبكة “الذاكرة طويلة المدى مع آلية الانتباه” (LSTM-AM). تتميز هذه الشبكة بقدرتها على معالجة البيانات المتسلسلة (مثل البيانات الطبية التي تتغير مع مرور الوقت) والتركيز على أهم الأجزاء في البيانات.

ولتحسين أداء الشبكة العصبية، يتم استخدام خوارزمية “خوارزمية المفترس البحري” (MPA) لضبط قيم المعلمات الفائقة (hyperparameters) بشكل مثالي. هذه المعلمات تتحكم في كيفية عمل الشبكة العصبية، وضبطها بشكل صحيح يمكن أن يحسن بشكل كبير من دقة النموذج.

النتائج

أظهرت التجارب المكثفة التي أجراها الباحثون أن نموذج DRMODL-ALSDP حقق دقة عالية في التنبؤ بمسار مرض التصلب الجانبي الضموري، حيث بلغت 98.17٪. هذه النتيجة تتفوق بشكل كبير على أداء النماذج الحالية المستخدمة في هذا المجال. يشير هذا التحسن الكبير في الدقة إلى أن النموذج الجديد يمكن أن يكون أداة قيمة للأطباء في تشخيص المرض وتقييم مدى تقدمه وتحديد العلاج الأنسب لكل مريض.

الدلالات

تكمن أهمية هذه الدراسة في إمكانية تطبيقها في المجال الطبي لتحسين رعاية المرضى المصابين بالتصلب الجانبي الضموري. من خلال توفير تنبؤات دقيقة بمسار المرض، يمكن للأطباء اتخاذ قرارات علاجية أكثر استنارة وتخصيص العلاج لكل مريض بناءً على احتياجاته الفردية. بالإضافة إلى ذلك، يمكن استخدام هذا النموذج لتحديد المرضى الذين قد يستفيدون بشكل خاص من علاجات جديدة أو تجارب سريرية.

إن تطوير نماذج ذكاء اصطناعي دقيقة وموثوقة للتنبؤ بمسار الأمراض العصبية يمثل خطوة مهمة نحو فهم أفضل لهذه الأمراض وتطوير علاجات أكثر فعالية. ويأمل الباحثون أن يساهم هذا العمل في تحسين جودة حياة المرضى المصابين بالتصلب الجانبي الضموري وتخفيف معاناتهم.

Reference

Duhayyim M.A. (2025). An efficient dimensionality reduction framework using metaheuristic optimization with deep learning models for amyotrophic lateral sclerosis disease progression prediction. Scientific Reports.

DOI: 10.1038/s41598-025-30913-6

تفاصيل الدراسة

Article

Scientific Reports

ديسمبر 4, 2025

Mesfer Al Duhayyim

SA

Mesfer Al Duhayyim (2025). An efficient dimensionality reduction framework using metaheuristic optimization with deep learning models for amyotrophic lateral sclerosis disease progression prediction

DOI: 10.1038/s41598-025-30913-6

اقرأ الملخص العلمي الأصلي

Amyotrophic lateral sclerosis (ALS) is a disastrous neuro-degenerative infection which affects motor neuron inhabitants of the spinal cord, brainstem, and cerebral cortex, resulting in progressive disorder and demise from respiratory difficulty. ALS is considerably assorted disorder comprising symptoms such as muscle weakness, difficulty in swallowing, speaking, breathing, and changes in mental and emotional health. Hence, this disease requires more beneficial medication and also, successful treatment is affected by heterogeneous disease development, resulting in issues with patient stratification. Recently, many researches have been published by using deep learning (DL) and machine learning (ML) methods and, more commonly, artificial intelligence (AI). This paper presents a Dimensionality Reduction Framework Using Metaheuristic Optimization with Deep Learning Models for the Amyotrophic Lateral Sclerosis Disease Progression Prediction (DRMODL-ALSDP) method. The aim is to provide an effectual model for the progression prediction of ALS disease using advanced techniques. Initially, the data pre-processing stage applies min-mx normalization to transform raw data into a suitable format. Furthermore, SMOTE is employed to address class imbalance by upsampling the minority classes in disease progression stages. Furthermore, the binary swordfish movement optimization algorithm (BSMOA) technique is used for feature selection. Moreover, the hybrid of a temporal convolutional network and long short-term memory with attention mechanism (TCN-LSTM-AM) technique is employed for the classification process. Finally, the marine predator's algorithm (MPA) technique optimally fine-tunes the hyperparameter values and improves classification performance. A widespread simulation is performed to verify the performance of the DRMODL-ALSDP model. The comparison study of the DRMODL-ALSDP model accentuated the superior accuracy output of 98.17% over existing methods.

اقتبس من هذا المقالة

APAMLACHICAGOHARVARDIEEEAMA

مدرس الدكتور محمد لوتي (2026). توقع تطور مرض التصلب الجانبي الضموري بدقة باستخدام الذكاء الاصطناعي والتعلم العميق. عرب سايكلوجي. تم الاسترجاع من https://arabpsychology.com/field-news/%d8%aa%d9%88%d9%82%d8%b9-%d8%aa%d8%b7%d9%88%d8%b1-%d9%85%d8%b1%d8%b6-%d8%a7%d9%84%d8%aa%d8%b5%d9%84%d8%a8-%d8%a7%d9%84%d8%ac%d8%a7%d9%86%d8%a8%d9%8a-%d8%a7%d9%84%d8%b6%d9%85%d9%88%d8%b1%d9%8a-%d8%a8/

مدرس الدكتور محمد لوتي. "توقع تطور مرض التصلب الجانبي الضموري بدقة باستخدام الذكاء الاصطناعي والتعلم العميق." عرب سايكلوجي, 28 يناير. 2026, https://arabpsychology.com/field-news/%d8%aa%d9%88%d9%82%d8%b9-%d8%aa%d8%b7%d9%88%d8%b1-%d9%85%d8%b1%d8%b6-%d8%a7%d9%84%d8%aa%d8%b5%d9%84%d8%a8-%d8%a7%d9%84%d8%ac%d8%a7%d9%86%d8%a8%d9%8a-%d8%a7%d9%84%d8%b6%d9%85%d9%88%d8%b1%d9%8a-%d8%a8/.

مدرس الدكتور محمد لوتي. "توقع تطور مرض التصلب الجانبي الضموري بدقة باستخدام الذكاء الاصطناعي والتعلم العميق." عرب سايكلوجي, 2026. https://arabpsychology.com/field-news/%d8%aa%d9%88%d9%82%d8%b9-%d8%aa%d8%b7%d9%88%d8%b1-%d9%85%d8%b1%d8%b6-%d8%a7%d9%84%d8%aa%d8%b5%d9%84%d8%a8-%d8%a7%d9%84%d8%ac%d8%a7%d9%86%d8%a8%d9%8a-%d8%a7%d9%84%d8%b6%d9%85%d9%88%d8%b1%d9%8a-%d8%a8/.

مدرس الدكتور محمد لوتي (2026) 'توقع تطور مرض التصلب الجانبي الضموري بدقة باستخدام الذكاء الاصطناعي والتعلم العميق', عرب سايكلوجي. متاح في: https://arabpsychology.com/field-news/%d8%aa%d9%88%d9%82%d8%b9-%d8%aa%d8%b7%d9%88%d8%b1-%d9%85%d8%b1%d8%b6-%d8%a7%d9%84%d8%aa%d8%b5%d9%84%d8%a8-%d8%a7%d9%84%d8%ac%d8%a7%d9%86%d8%a8%d9%8a-%d8%a7%d9%84%d8%b6%d9%85%d9%88%d8%b1%d9%8a-%d8%a8/.

[1] مدرس الدكتور محمد لوتي, "توقع تطور مرض التصلب الجانبي الضموري بدقة باستخدام الذكاء الاصطناعي والتعلم العميق," عرب سايكلوجي, مجلد X, عدد Y, ص Z-Z, يناير, 2026.

مدرس الدكتور محمد لوتي. توقع تطور مرض التصلب الجانبي الضموري بدقة باستخدام الذكاء الاصطناعي والتعلم العميق. عرب سايكلوجي. 2026;vol(issue):pages.

تحميل المقال (.PDF)