Hybrid Matrix-Ensemble Framework for Chronic Kidney Disease Diagnosis

Abstract

تقدم هذه الدراسة إطار عمل هجين جديد للتعلم الآلي والمصفوفات الرياضية (HML-MMF) لتحسين الكشف المبكر عن مرض الكلى المزمن (CKD)، متجاوزةً بذلك القيود الجوهرية لأساليب التعلم الآلي التقليدية، وهي ضعف قابلية التفسير، والتخصيص الزائد، وعدم الاستقرار في البيئات السريرية. يدمج إطار العمل المقترح بشكل فريد تقنيات جبر المصفوفات، بما في ذلك استكمال المتوسط ​​العمودي، وتحليل المكونات الرئيسية (PCA)، وتحليل التمييز لفيشر (FDA)، والتطبيع الأدنى-الأقصى، مع مجموعة من ثلاثة مصنفات: آلة تعزيز التدرج (GBM)، وآلة المتجهات الداعمة (SVM)، وخوارزمية أقرب الجيران (KNN). عند تطبيقه على مجموعة بيانات UCI CKD (أكثر من 400 مريض، 24 سمة سريرية)، يحوّل مسار HML-MMF البيانات السريرية الخام إلى تمثيل منخفض الأبعاد ذي بنية رياضية، مما يعزز فصل الفئات مع الحفاظ على المعنى الفيزيولوجي. يُستخلص التشخيص النهائي من خلال التصويت المرن، مما يضمن المتانة وقابلية التعميم. تُظهر النتائج التجريبية أن النموذج الهجين يحقق دقة بنسبة 96.2%، ودقة بنسبة 96.0%، واستدعاء بنسبة 95.5%، ودرجة F1 بنسبة 95.7%، ومساحة تحت منحنى ROC تبلغ 0.973، متفوقًا بشكل ملحوظ على كل من نموذج GBM وحده (مساحة تحت المنحنى = 0.942) ونموذج المصفوفة + SVM (مساحة تحت المنحنى = 0.955). تكمن الجدة العلمية في الدمج التآزري لعمليات المصفوفات القابلة للتفسير مع التعلم الجماعي، ليس كخطوات متسلسلة، بل كبنية موحدة حيث توجه التحويلات الرياضية عملية تحسين النموذج بشكل فعال. لا يعزز هذا النهج الأداء فحسب، بل يوفر أيضًا شفافية سريرية، مما يُمكّن الممارسين من تتبع التنبؤات إلى المؤشرات الحيوية الرئيسية مثل الكرياتينين في الدم ونيتروجين اليوريا في الدم، والتي يؤكد تحليل القيم الذاتية أنها عوامل رئيسية مؤثرة. في المجال الطبي، يقدم هذا العمل أداة دعم قرار موثوقة وقابلة للتفسير، تقلل من النتائج السلبية الخاطئة، وهو شرط أساسي في فحص مرض الكلى المزمن. ومن خلال الجمع بين الجبر الخطي الدقيق والتعلم الآلي الحديث، يضع نظام HML-MMF معيارًا جديدًا لأنظمة التشخيص الموثوقة وعالية الأداء في البيئات السريرية ذات الموارد المحدودة أو البيانات غير المتوازنة