التعلم الاتحادي القابل للتفسير والآمن لتصنيف سرطان الجلد مع تعزيز الخصوصية باستخدام شبكة عصبية التلافيفية متعددة المقاييس وخفيفة الوزن

لماذا تهم فحوصات سرطان الجلد الأذكى

سرطان الجلد هو أكثر أنواع السرطان شيوعًا على مستوى العالم، والكشف المبكر يمكن أن ينقذ أرواحًا. ومع ذلك يظل التشخيص الدقيق معتمدًا بشكل كبير على خبراء يفحصون صور الشامات والبقع الجلدية بعناية. العديد من العيادات تفتقر إلى هذا النوع من الخبرة، ومشاركة مجموعات كبيرة من صور المرضى لتدريب أدوات حاسوبية أفضل يثير مخاوف كبيرة تتعلق بالخصوصية. تعرض هذه الدراسة طريقة جديدة تسمح للمستشفيات بالتعاون لتدريب نظام قوي لكشف سرطان الجلد دون مشاركة الصور الخام للمرضى مطلقًا، مع تزويد الأطباء أيضًا بتفسيرات بصرية واضحة لما يراه النظام.

التعاون دون مشاركة الأسرار

الفكرة الأساسية هي طريقة تدريب تسمى التعلم الاتحادي. بدلًا من إرسال صور الجلد إلى خادم مركزي، يحتفظ كل مستشفى بصوره محليًا ويُدرّب نسخة محلية من نفس نموذج الحاسوب. تُرسَل فقط "المعرفة" المكتسبة (تحديثات النموذج) إلى خادم مركزي، حيث تُدمج لتكوين نموذج عالمي أفضل ثم تُعاد إلى جميع المستشفيات. في هذا العمل يحاكي الباحثون عدة مستشفيات تتعاون بهذه الطريقة على مجموعة بيانات عامة كبيرة لآفات الجلد، بحيث يستفيد النموذج من حالات متنوعة في حين تبقى صور المرضى دائمًا في مؤسساتهم الأصلية.

قارئ صور نحيف لكنه حاد الملاحظة

لجعل هذا التعاون عمليًا، صممت المجموعة شبكة عصبية تلافيفية متعددة المقاييس وخفيفة الوزن (LWMS‑CNN). العديد من نماذج الصور الشائعة ضخمة وبطيئة في النقل عبر شبكات المستشفيات؛ بالمقابل يستخدم هذا النموذج أقل من مليون معامل قابل للتدريب، وهو جزء بسيط مما تتطلبه البنى المعروفة. هيكله يعالج كل صورة جلدية عند عدة مستويات من التفاصيل بالتوازي، من الحواف الدقيقة والملمس إلى الأنماط الأوسع، ثم يجمع هذه الدلائل. أثبت هذا التصميم المدمج دقته وكفاءته، متفوقًا أو مساويًا لنماذج أثقل مثل ResNet وDenseNet في مقاييس معيارية مثل الدقة، الدقة النوعية (precision)، ومقياس F1، بينما كان أصغر حجمًا وأسرع — وهو أمر مهم للاستخدام على خوادم المستشفيات المتواضعة أو حتى أجهزة الحافة.

تعزيز الخصوصية بالتشفير

على الرغم من أن التعلم الاتحادي يتجنب إرسال الصور الخام، فإن تحديثات النموذج المشتركة قد لا تزال تسرب معلومات تحت هجمات متقدمة. لسد هذه الثغرة، يطوق الباحثون كامل تبادل التحديثات بتشفير متماثل الخصائص، وهي تقنية تشفيرية تتيح للخادم جمع وتوسيط تحديثات النموذج بينما تظل مشفرة. تقوم المستشفيات بتشفير تغييرات نموذجها قبل إرسالها؛ لا يرى الخادم إلا أرقامًا مشوشة لكنه لا يزال قادرًا على حساب التحديث المدمج. فقط طرف موثوق يمكنه فك تشفير النتيجة المجمعة. أظهرت الاختبارات أن إضافة هذا الحماية أثرت بأدنى حد على الأداء: تراجعت الدقة بنحو 0.3 نقطة مئوية فقط (من 98.62% إلى 98.34%)، وهي تكلفة صغيرة مقابل تعزيز كبير في الخصوصية والامتثال للوائح صارمة للبيانات الطبية.

فتح الصندوق الأسود أمام الأطباء

الدقة العالية وحدها لا تكفي في الطب؛ يجب أن يفهم الأطباء سبب اتخاذ خوارزمية قرارًا معينًا. لذلك تضيف الدراسة أدوات الذكاء الاصطناعي القابل للتفسير إلى جانب النموذج المدرب. أداة واحدة، SHAP، تبرز أي أجزاء الصورة أثّرت أكثر على القرار، معتبرة كل بقعة بكسل كـ"لاعب" في لعبة تصويت. وأداة أخرى، Grad‑CAM، تضع خارطة حرارية فوق الآفة لتُظهر أين ركزت الشبكة انتباهها عند تصنيف بؤرة ما كخبيثة أو حميدة. معًا تتيح هذه الرؤى لأطباء الجلدية التحقق من أن النموذج ينظر إلى بنى ذات معنى — مثل الحدود غير المنتظمة أو تدرجات اللون — بدلًا من الشعر أو آثار الإضاءة أو خلفية الجلد، ولمراجعة الحالات غير اليقينية أو الخاطئة.

من اختبارات المختبر إلى العيادات الواقعية

تم تدريب وتقييم نظام LWMS‑CNN الاتحادي المشفر على مجموعة بيانات آفات الجلد HAM10000 ثم اختُبر على مجموعتين إضافيتين، ISIC 2019 وPAD‑UFES‑20، التي تختلف في الكاميرات وأنواع الآفات والسكان المرضى. حقق النظام دقّات عالية عبر المجموعات الثلاث، مما يشير إلى أن المنهج يعمم جيدًا خارج مصدر بيانات واحد. استكشف المؤلفون أيضًا إعدادات أصعب وأكثر واقعية حيث ترى "المستشفيات" مزيجًا مختلفًا من الحالات، وقارنوا عدة طرق لدمج تحديثات النماذج؛ كانت طريقة FedAvg القياسية الأفضل. وبينما جرت التجارب في محاكاة متعددة العملاء بدلًا من مستشفيات منفصلة فعليًا، تظهر النتائج أن نموذجًا مدمجًا، وتدريبًا يحافظ على الخصوصية، وتفسيرات بصرية واضحة يمكن دمجها في إطار واحد. بالنسبة للمرضى، يشير هذا إلى فحوصات سرطان جلد مستقبلية أكثر دقة، وأكثر توفرًا، وأكثر احترامًا للخصوصية، مع بقاء الأطباء متحكمين ومطلعين.

الاستشهاد: Sayeed, A.S.M., Birahim, S.A., Ullah, M.S. et al. Explainable and secure federated learning for privacy-enhancing skin cancer classification using a lightweight multi-scale CNN. Sci Rep 16, 11414 (2026). https://doi.org/10.1038/s41598-026-41360-2

الكلمات المفتاحية: اكتشاف سرطان الجلد, التعلم الاتحادي, خصوصية البيانات الطبية, الذكاء الاصطناعي القابل للتفسير, التشفير المتماثل