التعلّم الموزع مع ذكاء السرب لتحليل الصور الطبية بكفاءة وأمان

لماذا يهم التعلم المشترك الأكثر أمانًا في الطب

تجمع المستشفيات الحديثة أعدادًا هائلة من الصور، من أشعة الصدر إلى صور الثدي، لكن قواعد الخصوصية الصارمة تجعل من الصعب توحيد هذه المعارف. توضح هذه الورقة كيف يمكن للمستشفيات تدريب ذكاء اصطناعي قوي على الصور الطبية معًا دون مشاركة بيانات المرضى أبدًا. وتصف أيضًا طريقة لجعل هذا التعلم المشترك أسرع وأكثر دقة ومقاومة للاختراق من خلال الاقتباس من سلوك أسراب الطيور وقطعان الحشرات.

كيف يمكن للمستشفيات أن تتعلم معًا دون مشاركة البيانات

تبني الدراسة على مفهوم يسمى التعلّم الموزع، حيث يقوم كل مركز أو مستشفى بتدريب نسخة محلية من نموذج الذكاء الاصطناعي على الصور المتوفرة لديه، ثم يرسل فقط التحديثات الرقمية للنموذج إلى خادم مركزي. يقوم الخادم بمتوسط هذه التحديثات لإنتاج نموذج عالمي أقوى ويعيده إليهم، بينما لا تغادر الصور الخام المستشفى أبدًا. في هذا العمل، تعاونت أربعة مراكز رعاية صحية محاكاة على ثلاثة أنواع من الصور: أشعة صدر مرتبطة بكوفيد-19، وصور جلدية قد تشير إلى الجديري القردي، وصور تصوير الثدي لاكتشاف سرطان الثدي. يهدف هذا الإعداد إلى محاكاة الواقع، حيث ترى المستشفيات المختلفة مجموعات مرضى مختلفة ولا يمكنها ببساطة دمج سجلاتها.

تركيز السرب الرقمي على ضبط عملية التعلم

تتمثل إحدى التحديات الأساسية في التعلّم الموزع في اختيار إعدادات النموذج الصحيحة وتحديد أجزاء بيانات الصورة الأكثر فائدة. بدلًا من ضبط هذه الخيارات يدويًا، يستخدم المؤلفون "ذكاء السرب" المستوحى من مجموعات الحيوانات. يجمعون بين استراتيجيتين للبحث: تحسين سرب الجسيمات، الذي يحاكي طيورًا تتبع أفضل تجاربها وأفضل تجارب السرب، وخوارزمية اليراع، حيث تجذب الحلول الأكثر بريقًا الحلول الأخرى. داخل كل مستشفى، تساعد هذه الأسراب في اختيار ميزات الصور التي تُحتفظ بها وكيفية ضبط معايير التعلم مثل حجم الخطوة وعمق النموذج. في الخادم المركزي، تقوم أفكار مماثلة بضبط مقدار الوزن المعطى لمساهمة كل مستشفى اعتمادًا على جودة البيانات والأداء.

الاختبار على مسوحات كوفيد-19 والجديري القردي وسرطان الثدي

للاجتماع على ما إذا كان هذا النهج المدمج يعمل عمليًا، درّب الفريق شبكات عصبية التفافية عميقة على ثلاث مجموعات بيانات عامة. بعد استخدام تكبير البيانات لزيادة عدد صور التدريب، قاسوا النجاح بمقاييس معيارية مثل الدقة والدقة الإيجابية والاسترجاع. وصلت أفضل إعداداتهم إلى نحو 96.7% دقة لأشعة صدر كوفيد-19، و96.1% لصور جلد الجديري القردي، و97.0% لمسوحات سرطان الثدي. مقارنةً بإعدادات التعلّم الموزع الأبسط، حسّن النظام الموجه بالسرب الدقة بعدة نقاط مئوية بينما خفّض أيضًا عدد جولات الاتصال بين المستشفيات والخادم بنسبة تقارب الربع.

الموازنة بين الخصوصية والأمان والواقعية

نظرًا لحساسية بيانات المرضى، يضيف الإطار طبقات من ضوابط الخصوصية والأمان فوق تصميم التعلّم الموزع الأساسي. يستخدم تشفيرًا لجميع عمليات الإرسال وطريقة رسمية تسمى الخصوصية التفاضلية، التي تضيف ضجيجًا محكومًا بعناية إلى التحديثات المشتركة بحيث لا يمكن تتبع المرضى الأفراد. يحلل المؤلفون كيف يؤثر ذلك على الأداء ويظهرون أنه حتى تحت إعدادات خصوصية قوية تظل الدقة فوق 94% عبر المهام. كما يدرسون كيف يصمد النظام أمام الصور الصاخبة، والهجمات السيبرانية المحاكاة، وتأخيرات الروابط الشبكية، ويجدون أن الأداء يتدهور بشكل طفيف فقط. وتشير الاختبارات على مجموعات بيانات خارجية جمعت في أماكن مختلفة إلى أن النماذج المتعلمة يمكن أن تعمم خارج مصادر التدريب الأصلية.

ما الذي يعنيه ذلك للرعاية الطبية المستقبلية

بعبارات بسيطة، تُظهر الورقة أنه من الممكن للعديد من مقدمي الرعاية الصحية أن يجمعوا "المعرفة" الموجودة في صورهم الطبية دون تجميع الصور نفسها. من خلال إضافة ضبط مستوحى من أسراب فوق التعلّم الموزع، يمكن للمستشفيات الحصول على مساعدة ذكاء اصطناعي أكثر دقة في اكتشاف كوفيد-19 والجديري القردي وسرطان الثدي، مع استخدام حركة مرور شبكة أقل والالتزام بقوانين الخصوصية. يجادل المؤلفون بأن هذا النوع من النهج قد يجعل أدوات التشخيص المتقدمة متاحة حتى في العيادات الصغيرة أو النائية، مما يساعد الأطباء على اكتشاف المرض مبكرًا دون تعريض سرية المرضى للخطر.

الاستشهاد: SayedElahl, M.A., Farouk, R.M., Ali, A.E. et al. Federated learning with swarm intelligence for efficient and secure medical image analysis. Sci Rep 16, 14734 (2026). https://doi.org/10.1038/s41598-026-50882-8

الكلمات المفتاحية: التعلّم الموزع, التصوير الطبي, ذكاء السرب, الذكاء الاصطناعي الحافظ للخصوصية, الذكاء الاصطناعي في الرعاية الصحية