تجزئة اليِرَقات الوريدية العميقة مع مراعاة الخصوصية باستخدام إطار تعلم اتحادي متعدد النماذج وخوارزمية التوسيط الاتحادي

لماذا تهم جلطات الدم وخصوصية البيانات

يمكن للجلطات الدموية التي تتكوّن عميقًا في أوردة الساقين، والمعروفة باسم خثار الأوردة العميقة (DVT)، أن تنتقل بصمت إلى الرئتين وتسبب حالات طارئة تهدد الحياة. يمكن أن تكشف الأشعة المقطعية عن هذه الجلطات، لكن تحويل آلاف الصور الرمادية إلى اكتشافات أوتوماتيكية موثوقة يعد مهمة صعبة للحواسيب. وفي الوقت نفسه، تتوخى المستشفيات الحذر بحق في مشاركة بيانات المرضى الحساسة. تستكشف هذه الدراسة كيف يمكن لعدة مستشفيات التعاون لتدريب نظام ذكاء اصطناعي قوي لاكتشاف الجلطات—دون أن تجمع أو تكشف صور المرضى الخام أبدًا.

مشاركة العقول لا الأجساد

جوهر العمل هو تقنية تسمى التعلم الاتحادي، التي تتيح لمؤسسات متعددة تدريب نماذج ذكاء اصطناعي بشكل تعاوني مع إبقاء بياناتها محليًا. بدلًا من إرسال صور الأشعة المقطعية إلى خادم مركزي، يقوم كل مستشفى بتدريب نموذج محلي على مسحاته الخاصة. تُرسل فقط معلمات النموذج المتعلمة—ما اكتشفه عن التعرف على الجلطات—إلى خادم مركزي. هناك، تقوم طريقة تدعى التوسيط الاتحادي بدمج مجموعات المعلمات المختلفة هذه في نموذج عالمي واحد محسّن، ثم يُعاد إرساله إلى جميع المستشفيات. بهذه الطريقة، يستفيد كل موقع من الخبرة الجماعية لجميع المشاركين، في حين لا تغادر أي صورة مريض مؤسسته الأصلية.

أنماط متعددة من الذكاء الاصطناعي تنظر إلى نفس الأوردة

إحدى الابتكارات الرئيسية في هذه الدراسة هي أن الباحثين لم يعتمدوا على نوع واحد فقط من الشبكات العصبية. جمعوا سبعة تصاميم نموذجية مختلفة، كل منها جيد في رؤية جوانب مختلفة من صور الأشعة المقطعية. النماذج الأبسط، مثل الشبكات الالتفافية الأساسية والنماذج المتسلسلة، أسرع وأسهل في التشغيل على عتاد محدود. الهندسات المتقدمة، بما في ذلك U-Net وVGG-19 وشبكتان مخصصتان تحتويان على كتل متبقية، واستنساخيات، وانتباه، ومعالجة متعددة المقاييس، أفضل في تتبع حدود الأوعية الدقيقة، ورصد الجلطات الصغيرة، ومواجهة الصور ذات الضوضاء. من خلال السماح لكل مستشفى باستخدام النموذج الذي يتناسب مع بياناتها وقدرة الحوسبة لديها، يعكس النظام واقع البيئات السريرية المتباينة بدلاً من افتراض أن كل موقع متشابِه.

التعلم من بيانات غير متساوية وغير مثالية

في الطب، نادراً ما تبدو بيانات مستشفى واحدة مماثلة تمامًا لبيانات مستشفى أخرى. تختلف الماسحات، وبروتوكولات التصوير، وتجهيزات المرضى، لذا عملت الدراسة عمدًا مع بيانات «غير متطابقة توزيعيًا» (non‑IID)—مجموعات غير متساوية وليست متماثلة التوزيع. هذا يجعل التدريب عادةً أقل استقرارًا. هنا تبنّى المؤلفون تلك التنوعات وأظهروا أن تجميع المعرفة عبر نماذج متعددة ذات هياكل مختلفة حسّن بالفعل قدرة النظام العالمي على التعميم. نفذوا ثلاث مراحل تجريبية: أولاً مع ثلاثة عملاء، ثم خمسة، وأخيرًا سبعة، مستخدمين مجموعات بيانات تضم 1000 و2000 و3000 صورة أشعة مقطعية. في كل خطوة، رصدوا ليس فقط مدى دقة النموذج العالمي في تجزئة الجلطات، بل أيضًا مقدار التواصل المطلوب، ومدة التدريب، ومدى اختلاف بيانات كل عميل، ومدى فاعلية حماية الخصوصية.

كشف أفضل للجلطات، بتكلفة حسابية

عبر جميع المراحل، تغلب النموذج العالمي المجمّع بشكل ثابت على أي نموذج محلي منفرد. مع ازدياد عدد الصور وانضمام نماذج أكثر تطورًا إلى الاتحاد، ارتفعت دقة التجزئة من حوالي 91% إلى أكثر من 96%، وارتفع مقياس جودة متوازن يدعى F1‑score من نحو 0.89 إلى 0.95. في الوقت ذاته، انخفض مقياس الخسارة المركّز على الأخطاء بأكثر من النصف، مما يشير إلى حدود جلطات أوضح وأكثر موثوقية. لم تأتِ هذه المكاسب مجانًا: توسع حجم التواصل بين العملاء والخادم من عشرات الميغابايت إلى عدة جيجابايت، وزادت مدة التدريب المتوسطة من ثوانٍ إلى ساعات عديدة مع تطور البنى. ومع ذلك، حافظ النظام على ضمان خصوصية رسمي قوي، مشيرًا إلى أن التحديثات المشتركة تكشف القليل جدًا من المعلومات عن أي مريض بعينه.

ما يعنيه هذا للمرضى والمستشفيات

لغير المختصين، الخلاصة هي أن هذا العمل يبيّن كيف يمكن للمستشفيات أن تُعلّم ذكاءً اصطناعيًا مشتركًا لتمييز الجلطات الخطيرة بدقة أكبر، دون التخلي عن السيطرة على بياناتها الحساسة. بدمج عدة تصاميم نموذجية مكملة وتجميع بعناية ما يتعلمه كل منها، بنى المؤلفون نظام تجزئة للجلطات قويًا ويحترم الخصوصية في آنٍ واحد. ورغم أن النهج يتطلب موارد حوسبة كبيرة وعرض نطاق شبكي واسع، فهو يشير إلى مستقبل تتعاون فيه المراكز الطبية روتينيًا على أدوات تشخيص أذكى، محسنًا الرعاية للمرضى المعرضين لخطر DVT والحالات ذات الصلة مع إبقاء صورهم الشخصية آمنة داخل المؤسسات.

الاستشهاد: B, P.L., S, V. Privacy-aware deep vein thrombosis segmentation using a multi-model federated learning framework with the federated averaging algorithm. Sci Rep 16, 11333 (2026). https://doi.org/10.1038/s41598-026-36432-2

الكلمات المفتاحية: خثار الأوردة العميقة, التعلم الاتحادي, تجزئة الصور الطبية, الذكاء الاصطناعي المحافِظ على الخصوصية, تصوير الأشعة المقطعية