التعلّم الفدرالي المحافِظ على الخصوصية مع شبكات CNN محسّنة بخفة الانتباه للكشف الآلي عن اللوكيميا عبر التصوير الطبي الموزّع

لماذا يهم تبادل المعرفة دون مشاركة الأسرار

تعتمد الطب الحديث بشكل متزايد على الحواسيب لقراءة الصور الطبية، من أشعة إكس إلى شرائح المجهر. لكن تدريب هذه الأنظمة عادةً يتطلب جمع بيانات حساسة للمرضى في مكان واحد، مما يثير مخاوف جدّية بشأن الخصوصية. تعرض هذه الدراسة طريقة تتيح للمستشفيات بناء نظام قوي لكشف اللوكيميا من صور الدم دون مشاركة بيانات المرضى الخام، جامعَةً بين حماية الخصوصية ودقة تشخيصية تقارب أفضل النتائج.

مستشفيات متعددة، عقل مشترك واحد

يركّز الباحثون على اللوكيميا، وهو سرطان الدم الذي يُشخّص جزئياً عبر فحص الخلايا بالمجهر. بدل إرسال صور المرضى إلى خادم مركزي، يستخدمون استراتيجية تُدعى التعلّم الفدرالي. في هذا الإعداد، يحتفظ كل مستشفى بصوره في موقعه ويدرّب نسخة من نفس نموذج الحاسب محلياً. على فترات، تُرسل إلى خادم مركزي آمن معلمات النموذج المتعلّمة فقط، فيقوم الخادم بمتوسطها ويرسل نموذجاً محسنًا مجدداً. بهذه الطريقة، تُجمَع المعرفة بينما تبقى الصور الأساسية في مؤسّساتها الأصلية.

تعليم شبكة صغيرة على الانتباه الدقيق

في قلب الإطار نموذج خفيف لتحليل الصور قائم على الشبكات الالتفافية (CNN)، وهي أداة معيارية لقراءة الصور. يعزّزه المؤلفون بآلية «انتباه» مدمجة تساعد الشبكة على التركيز على أكثر أجزاء كل خلية دموية معلوماتية، مثل شكل النواة وملمس المواد المحيطة. رغم أن للنموذج نحو 33,000 مُعَمِّل قابل للتكيّف — وهو جزء بسيط من حجم العديد من الشبكات الحديثة — إلا أنه يستطيع التمييز بين أربع فئات مهمة سريريًا: خلايا حميدة، تغيّرات مبكرة، حالات قبل اللوكيميا، وخلايا ما قبل اللوكيميا المتطوّرة بالكامل. يضمن التصميم الدقيق أن تظل الحسابات سريعة بما يكفي للاستخدام الواقعي في المختبرات الروتينية.

تعلّم عادل من بيانات متفرقة وغير متساوية

في أنظمة الرعاية الصحية الحقيقية، لا تتشابه مستشفيات في مزيج المرضى الذي تستقبله. قد يرى مركز حالات مبكرة في الغالب، وآخر حالات متقدمة أكثر. يُحاكي الفريق هذا الاختلال الواقعي عمدًا عبر تقسيم مجموعة بيانات تضم 3,256 صورة مسحة دمية على عدة مستشفيات محاكاة بنسب مختلفة من كل مرحلة من مراحل اللوكيميا. ثم يحلّلون كيف يؤثر هذا التوزيع غير المتكافئ على التعلّم، مستخدمين قياسات إحصائية لقياس اختلاف بيانات كل مستشفى ومدى تشابه دقّاتهم النهائية. يضمن مخطط المتوسط المرجّح أن يكون للمواقع التي تملك بيانات أكثر تأثير متناسب، مع الحفاظ على فروق أداء صغيرة جدًا بين المواقع.

دقة تُنافس التدريب المركزي

بالرغم من إبقاء البيانات مجزأة وغير متساوية التوزيع، يتعلّم النموذج المشترك تصنيف مراحل اللوكيميا بمهارة ملحوظة. مع ثلاث مستشفيات محاكاة، يصل النموذج العام إلى حوالي 95.7% دقة على صور الاختبار المحتجزة؛ ومع خمس مستشفيات ومزيد من جولات التدريب، ترتفع الدقة إلى نحو 96.6%. تُعرف الفئات الخبيثة — تلك التي تمثّل الحالات قبل اللوكيميا والمرض الأكثر تقدّمًا — بدقّةٍ خاصة، مع درجات شبه كاملة في بعض الحالات. الفئة الحميدة الأكثر تحديًا، والتي تمثّل تمثيلاً ناقصًا، تؤدي أداءً أضعف قليلًا، مما يبرز الحاجة إلى توازن أفضل أو تقنيات مستهدفة للفئات النادرة لكنها ذات الأهمية. ومع ذلك، يقترب النظام الفدرالي من دقة النهج التقليدي الذي يجمع البيانات مركزيًا، مع الحفاظ على فوائد الخصوصية للتخزين المحلي.

إظهار وتوكيد منطق الآلة

لبناء الثقة مع الأطباء، يتجاوز المؤلفون مجرد قياس الدقة ويفحصون كيف يتّخذ النموذج قراراته. يولّدون تراكبات بصرية تُبرز أجزاء صورة كل خلية التي أثّرت أكثر على النتيجة. تكشف هذه الخرائط أن النموذج يتركّز على ميزات ذات معنى طبّي، مثل أشكال النواة الشاذة في المراحل الأخطر من اللوكيميا، وتظهر أنماطًا أكثر انتشارًا للخلايا الحميدة. كما يدرس الفريق مدى ثقة النموذج في توقعاته ويجد أن الإجابات الصحيحة تميل لأن تكون ذات ثقة عالية، لا سيما للمراحل الخبيثة، ما يشير إلى تطابق جيد بين يقين النظام وموثوقيته.

ماذا يعني هذا لمستقبل تشخيص السرطان

بالنسبة لغير المتخصصين، الرسالة الأساسية هي أنه أصبح من الممكن الآن للمستشفيات التعاون في تشخيصات سرطانية أكثر ذكاءً دون تسليم صور مرضاهم. تبرهن هذه العملة على أن نموذجًا مضغوطًا ومصمّمًا بعناية ومدرّبًا عبر التعلّم الفدرالي يمكن أن يقترب من دقة طرق تجميع البيانات التقليدية مع احترام قواعد الخصوصية والقيود العملية على قدرة الحوسبة وحركة الشبكة. مع مزيد من العمل لتحسين التعامل مع أنواع الخلايا الممثّلة تمثيلًا ناقصًا وتقليل تكاليف الاتصال، يمكن توسيع أنظمة مماثلة محافِظة على الخصوصية لتشمل أنواعًا أخرى من السرطان والاختبارات التصويرية، مما يساعد الأطباء في جميع أنحاء العالم على الاستفادة من الخبرات المشتركة دون تعريض المرضى الأفراد.

الاستشهاد: Awan, M.Z., Khan, N.A., Strakos, P. et al. Privacy-preserving federated learning with light-weight attention improved CNNs for automated leukemia detection across distributed medical imaging. Sci Rep 16, 9768 (2026). https://doi.org/10.1038/s41598-026-40581-9

الكلمات المفتاحية: التعلّم الفدرالي, تصوير اللوكيميا, خصوصية الذكاء الاصطناعي الطبي, شبكة CNN معتمدة على الانتباه, علم الأمراض الرقمي