الجمع بين التعلم الفيدرالي والنموذج المتنقل يعزز الأداء ويفتح فرصاً للمساواة الرقمية في الصحة

لماذا يهم تبادل الرؤى الطبية دون تبادل البيانات

تعتمد الطب الحديث بشكل متزايد على الذكاء الاصطناعي لاكتشاف الأنماط في الصور الإشعاعية والسجلات الصحية. لكن بيانات المرضى حساسة وغالباً لا يمكن أن تخرج من المستشفى الذي جُمعت فيه. هذا يخلق توتراً: كيف يمكن للمستشفيات حول العالم التعاون لتدريب أدوات ذكاء اصطناعي قوية من دون إرسال بيانات المرضى الخام عبر الحدود أو إلى خوادم مركزية ضخمة؟ تقدم هذه الدراسة طريقة جديدة للقيام بذلك، تهدف ليس فقط إلى الدقة، بل أيضاً إلى العدالة بين المستشفيات ذات الموارد الجيدة والعيادات الصغيرة قليلة الموارد.

طريقتان لتعليم الذكاء الاصطناعي دون نقل البيانات

اليوم هناك استراتيجيتان رئيسيتان تتيحان للمستشفيات تدريب الذكاء الاصطناعي مع إبقاء البيانات محلياً. في التعلم الفيدرالي، كل مستشفى يدرب نسخته المحلية من النموذج بالتوازي؛ ثم تُدمج هذه النماذج المحلية لتشكّل "نموذجاً عالمياً" مشتركاً على خادم مركزي. في نهج النموذج المتنقل، يوجد نموذج واحد ينتقل من مستشفى إلى آخر ويتدرب في كل موقع على التوالي. كلا الطريقتين تحميان الخصوصية، لكن لكل منهما عيوب. قد يواجه التعلم الفيدرالي صعوبة عندما يكون لدى بعض المستشفيات بيانات قليلة جداً أو لا ترى كل أنواع المرضى؛ فدمج نماذج محلية ضعيفة أو غير متوازنة قد يؤدي إلى نموذج عالمي ضعيف يعكس في الغالب المواقع الكبيرة والغنية. أما النموذج المتنقل فغالباً ما يكون أكثر متانة تجاه هذه الاختلالات لكنه قد يكون أبطأ وأكثر صعوبة في الإدارة.

استراتيجية هجينة تجمع أفضل ما لدى الطريقتين

يقترح المؤلفون FedTM، وهي مخطط تدريبي هجين يمزج نقاط القوة في التعلم الفيدرالي والنموذج المتنقل. يحدث التدريب على مرحلتين. الأولى هي مرحلة "التسخين" حيث تقوم فقط أكبر المستشفيات، ذات مجموعات البيانات الأكثر اكتمالاً وتوازناً، بتدريب النموذج بالتوازي باستخدام تقنيات التعلم الفيدرالي القياسية. هذا يخلق نموذج انطلاق قوي. ثم تأتي مرحلة "التنقيح"، حيث يزور هذا النموذج المسخن كل موقع على التوالي، بما في ذلك العيادات الصغيرة التي قد تملك عددًا قليلاً جداً من فحوصات الدماغ أو حتى مريضاً واحداً فقط. في هذه المرحلة الثانية يتم تحديث النموذج تدريجياً أثناء تجواله، مدمجاً معرفة كل موقع دون الحاجة إلى خروج بياناتهم من السيطرة المحلية.

اختبار الطريقة على صور دماغية لمرض باركنسون

لاختبار FedTM، استخدم الباحثون 1817 صورة رنين مغناطيسي للدماغ مأخوذة من 83 موقع تصوير حول العالم لتدريب نظام ذكاء اصطناعي لتمييز الأشخاص المصابين بمرض باركنسون عن الأصحاء. هذا إعداد يتسم بصعوبة خاصة: أكثر من نصف المواقع ساهمت بأقل من عشر صور، وحوالي ثلث المواقع فقط كان لديها بيانات لكل من المرضى والأفراد الأصحاء، وبروتوكولات المسح اختلفت على نطاق واسع. في هذه الظروف الواقعية فشل التعلم الفيدرالي البحت في تعلم المهمة جيداً، في حين قدّم النموذج المتنقل أداءً أفضل لكنه لم يكن كافياً. تفوق FedTM بوضوح، خصوصاً عندما كانت مرحلة التسخين تضم أكبر سبعة مواقع وأكثرها توازناً: ارتفعت المساحة تحت منحنى ROC، وهي مقياس قياسي لجودة التصنيف، من 77% مع النموذج المتنقل وحده إلى نحو 82% مع FedTM، مع مكاسب مماثلة في مقاييس إكلينيكية مهمة أخرى مثل الحساسية والخصوصية ومقياس F1.

جعل الذكاء الاصطناعي أكثر إنصافاً بين المستشفيات الكبيرة والصغيرة

قضية رئيسية في الذكاء الاصطناعي الطبي هي العدالة: هل يعمل النموذج بنفس الجودة لمرضى المستشفيات الصغيرة والريفية أو قليلة الموارد كما يعمل لمرضى المراكز الأكاديمية الكبيرة؟ فحص الفريق مدى تكرار الأخطاء التنبؤية في المواقع "الأكبر" مقابل "الأصغر". مع النموذج المتنقل وحده، اختلفت معدلات الخطأ في التصنيف بحوالي 8 نقاط مئوية بين هاتين المجموعتين. مع FedTM المضبوطة بشكل مناسب، أصبحت معدلات الخطأ للمواقع الكبيرة والصغيرة متطابقة تقريباً، وحوالي 26%. بكلمات أخرى، أصبح النموذج ليس فقط أكثر دقة بشكل عام، بل أيضاً أكثر عدلاً. كما نقل FedTM معظم العبء الحسابي إلى مرحلة التسخين في المواقع ذات الموارد الأفضل، مخفضاً عدد دورات التدريب التي تحتاجها المواقع الصغيرة تقريباً إلى النصف، مع إبقاء إجمالي زمن التدريب متقارباً.

ماذا يعني هذا للصحة الرقمية العالمية

يوفر FedTM مساراً عملياً نحو أدوات ذكاء اصطناعي تحترم الخصوصية، تحسّن الأداء، وتوزع الفوائد بشكل أكثر عدلاً عبر العالم. من خلال السماح حتى للمواقع ذات البيانات المحدودة بالمساهمة في النموذج النهائي، يمكن لهذا الإطار أن يساعد في ضمان عدم ترك الأشخاص في بيئات قليلة الموارد أو نائية خلف الركب عند تطوير أدوات تشخيصية جديدة. وعلى الرغم من أن الدراسة ركزت على نوع واحد من صور الدماغ ومرض واحد، يمكن تكييف هذا النهج، من حيث المبدأ، على العديد من المشكلات الطبية الأخرى. مع اعتماد أنظمة الصحة بشكل متزايد للأجهزة المحمولة والملبوسات، ومع تأكيد اللوائح على سيادة البيانات، قد تصبح الاستراتيجيات الهجينة مثل FedTM مفتاح بناء ذكاء اصطناعي طبي موثوق وشامل ومسؤول.

الاستشهاد: Souza, R., Stanley, E.A.M., Ohara, E.Y. et al. Combining federated learning and travelling model boosts performance and opens opportunities for digital health equity. npj Digit. Med. 9, 294 (2026). https://doi.org/10.1038/s41746-026-02483-y

الكلمات المفتاحية: التعلم الفيدرالي, النموذج المتنقل, مرض باركنسون, الذكاء الاصطناعي في التصوير الطبي, المساواة في الصحة