MedLedgerFL: إطار هجين يجمع البلوكشين والتعلّم الفيدرالي لخدمات الرعاية الصحية عن بُعد الآمنة

لماذا يهم جعل الطب عبر الإنترنت أكثر أمانًا

مع تحول زيارات الفيديو والفحوصات عن بُعد إلى جزء من الحياة اليومية، تنتقل الآن أكثر تفاصيلنا الطبية حميمية عبر الشبكات والخوادم. يعد هذا التحول بتشخيصات أسرع ورعاية تصل إلى الأشخاص البعيدين عن المستشفيات الكبرى، لكنه يطرح أيضًا سؤالًا ملحًا: كيف يمكن للأطباء والباحثين أن يتعلموا من بيانات المرضى دون تعريضها للتسريبات أو الاختراقات أو سوء الاستخدام؟ يقدم هذا البحث MedLedgerFL، وهو إطار مصمم لتمكين المستشفيات من التعاون في بناء أدوات تشخيصية قوية لأمراض الرئة مع إبقاء بيانات المرضى الأصلية محمية داخل كل مؤسسة.

مشكلة مشاركة البيانات الصحية اليوم

لا تزال العديد من أنظمة الطب عن بُعد تتبع نمطًا مركزيًا قديمًا: ترسل المستشفيات نسخًا من سجلات مرضاها إلى موقع واحد حيث تُدرّب نماذج تنبؤية للحاسوب. قد ينجح هذا النهج من حيث الدقة، لكنه يخلق أهدافًا مغرية للهجمات السيبرانية، ويشعل نزاعات حول ملكية البيانات، وغالبًا ما يتعارض مع قواعد الخصوصية مثل اللائحة العامة لحماية البيانات (GDPR) في أوروبا أو HIPAA في الولايات المتحدة. تسمح النهج «الفيدرالية» الأحدث لكل مستشفى بتدريب نسخة محلية من نموذج ومشاركة الأنماط المتعلّمة فقط، وليس السجلات الأساسية. ومع ذلك، قد تفشل هذه الأنظمة عندما تكون لدى المستشفيات أنواع غير متجانسة من المرضى أو أجهزة تصوير مختلفة، وعادةً ما تفتقر إلى طريقة قوية للتحقق مما إذا كانت التحديثات المشتركة قد تم العبث بها.

مزيج جديد من التعلم المشترك والثقة الرقمية

يجمع MedLedgerFL بين فكرتين لسد هذه الثغرات. أولًا، يستخدم التعلّم الفيدرالي بحيث تبقى كل صور أشعة الصدر وسجلات المرضى الأخرى على خوادم كل مستشفى. يقوم كل موقع بتدريب نموذج للاعتراف بحالات مثل كوفيد-19 والالتهاب الرئوي والسل، ثم يرسل تحديثات النموذج المشفّرة فقط إلى منسق مركزي. ثانيًا، يعتمد على بلوكشين ذا إذن (permissioned blockchain) مبني على Hyperledger Fabric لتسجيل بصمات هذه التحديثات في سجل مقاوم للتلاعب لا تستطيع الانضمام إليه إلا المستشفيات المعتمدة. تتحقق العقود الذكية تلقائيًا من من يحق له المشاركة، وتُسجل كل جولة تدريب، وتضمن أن التغييرات في النموذج المشترك قابلة للمراجعة لاحقًا.

كيف يعمل النظام تحت السطح

داخل MedLedgerFL، تساعد استراتيجية تدريب متخصصة تُسمى FedProx على استقرار عملية التعلم عندما تمتلك المستشفيات بيانات غير متساوية وغير متشابهة. بدلًا من مجرد متوسط التحديثات، يدفع FedProx النماذج المحلية للبقاء قريبة من النموذج العالمي، مما يقلل التقلبات الحادة عندما يكون لدى مستشفى حالات من نوع واحد في الغالب، مثل السل، بينما يرى آخر مزيدًا من حالات كوفيد-19. للحفاظ على سرعة ووزن منخفض للبلوكشين، يُخزن النموذج الكامل خارج السلسلة في نظام ملفات مشفر، بينما تُكتب إلى السجل فقط تجزئات صغيرة وملخصات الأداء. تُظهر التجارب على مجموعات حقيقية من صور أشعة الصدر وبيانات تصوير بالرنين المغناطيسي لأورام الدماغ أن هذا التصميم يسرّع المعاملات، ويقلل احتياجات التخزين، ويُبقي أثرًا واضحًا وقابلًا للتحقق عن كيفية تطور النموذج.

تجريب النهج على أرض الواقع

قيّم المؤلفون MedLedgerFL عبر عدة نماذج تعلم عميق تُستخدم شائعًا في الصور الطبية، بما في ذلك MobileNetV2 وResNet50 وInception. في ظروف صعبة وواقعية — حيث تمتلك كل مستشفى مزيجًا مختلفًا من الأمراض — حقق النظام دقة أعلى وخطأ أقل من التعلّم الفيدرالي التقليدي وحده. على سبيل المثال، أدت MobileNetV2 أداءً أفضل عندما اقترنت بـFedProx داخل MedLedgerFL، لتصل إلى أكثر من 80% دقة في تصنيف صور أشعة الصدر المتعددة الأمراض. أظهرت اختبارات الأمان أيضًا أنه عندما تصرفت بعض المواقع المشاركة بشكل خبيث بتغيير التسميات أو تسميم التحديثات، أبقت تركيبة التحقق عبر البلوكشين وFedProx الدقة أعلى بشكل ملحوظ مقارنة بالنهج الفيدرالي الأساسي. كما توسع البلوكشين بشكل معقول مع انضمام مستشفيات أكثر، محافظًا على تأخيرات مقبولة بينما زاد عدد المعاملات التي يمكنه معالجتها في الثانية.

ماذا يعني هذا لمستقبل الطب عن بُعد

بالنسبة للمرضى، وعد MedLedgerFL هو أن تساعد صورهم وسجلاتهم في تحسين الرعاية عالميًا دون مغادرة أمان مستشفاهم المحلي. بالنسبة لمقدمي الرعاية الصحية، يقدم وسيلة لبناء أدوات تشخيصية مشتركة تحترم قواعد الخصوصية الصارمة، وتقاوم العبث بالبيانات، وتظل شفافة أمام الجهات المنظمة. بمزج التعلم المحافِظ على الخصوصية مع الثقة الرقمية القابلة للتدقيق، يقرب الإطار الطب عن بُعد من عالم تستطيع فيه أدوات الذكاء الاصطناعي القوية أن تُشارك على نطاق واسع وتُحمى بعناية في الوقت نفسه. يتصور المؤلفون خطوات لاحقة تضيف تقنيات خصوصية أقوى، وتنظيمًا أكثر كفاءة، ونشرًا في شبكات مستشفيات فعلية وأجهزة طبية متصلة.

الاستشهاد: Murala, D.K., Vemulapalli, L., Balagoni, Y. et al. MedLedgerFL: a hybrid blockchain-federated learning framework for secure remote healthcare services. Sci Rep 16, 8218 (2026). https://doi.org/10.1038/s41598-026-39149-4

الكلمات المفتاحية: أمان الطب عن بُعد, الذكاء الاصطناعي المحافظ على الخصوصية, سلسلة الكتل في الرعاية الصحية, التعلّم الفيدرالي, تشخيص الصور الطبية