نهج قائم على التعلم التجميعي لتصنيف فقر الدم باستخدام تعداد الدم الكامل

الملخص

يُعد فقر الدم واحدًا من أكثر الاضطرابات الدموية انتشارًا على مستوى العالم، حيث يُصيب المليارات من الأشخاص وقد يؤدي إلى مضاعفات صحية خطيرة. ويُعد الكشف المبكر والتصنيف الدقيق لأنواع فقر الدم أمرًا أساسيًا للعلاج الفعّال والإدارة السليمة للحالة. يقترح هذا البحث إطار عمل قائمًا على تقنيات التعلم الآلي لتصنيف تسعة أنواع متميزة من فقر الدم باستخدام بيانات فحص الدم الكامل (CBC). تتضمن المنهجية دمج تقنيتي اختيار الخصائص: الاستبعاد التكراري للخصائص (RFE) وتحليل الارتباط عبر الخرائط الحرارية لتحديد أهم المؤشرات البيولوجية. تم تطوير مصنف تجميعي من نوع Stacking باستخدام كل من الغابة العشوائية (Random Forest)، وآلة المتجه الداعم (SVM)، وأقرب الجيران (KNN)، وشجرة القرار (Decision Tree) كنماذج أساسية، مع استخدام الانحدار اللوجستي (Logistic Regression) كنموذج ميتا. أظهرت التقييمات التجريبية أن الخصائص المستخرجة باستخدام RFE حققت أداءً متفوقًا، حيث استُخدمت مجموعة بيانات فقر الدم المتاحة على منصة Kaggle، والتي تتكون من 1281 ملاحظة. تمت موازنة البيانات لمنع النموذج من تفضيل الفئة السائدة. وحقق النموذج النهائي دقة 99.83%، ودرجة  F1 99.83%. تُبرز النتائج فعالية التعلم التجميعي وتقنيات اختيار الخصائص المتقدمة في تحسين دقة التشخيص، وتقدم دليلًا قويًا على إمكانية استخدام أنظمة دعم القرار الذكية في الممارسات السريرية. تم تقييم قدرة النموذج على التعميم بشكل صارم باستخدام 1,200 عينة جديدة وغير موسومة من فحص الدم الكامل تم الحصول عليها من مختبرات محلية في مصراتة. في دراسة تحقق سرية مقارنةً بين توقعات النموذج وتشخيصات خبراء أمراض الدم، أظهر المصنف التجميعي توافقًا قويًا مع التقييمات السريرية، حيث بلغ معدل الاتفاق العام 84.67% عبر جميع أنواع فقر الدم. تُؤكد هذه النتائج فعالية التعلم التجميعي عند دمجه مع تقنيات اختيار الخصائص المتقدمة.