Clear Sky Science
הסברים מבוססי ראיות, עם מעט ז'רגון

Clear Sky Science · he

למידת פדרציה עם מודיעין עדרים לניתוח תמונות רפואיות יעיל ובטוח

· חזרה לאינדקס

למה למידה משותפת יותר בטוחה חשובה לרפואה

בתי חולים מודרניים אוספים כמויות עצומות של סריקות, מצילומי חזה ועד תמונות שד, אך כללי פרטיות מחמירים מקשים על ריכוז הידע הזה. המאמר מציג כיצד בתי חולים יכולים לאמן כוח בינה מלאכותית חזק על תמונות רפואיות במשותף מבלי לשתף אף פעם את נתוני המטופלים. הוא גם מתאר דרך להאיץ את הלמידה המשותפת, לשפר את הדיוק ולהגביר את העמידות בפני פריצות על ידי שאיבת רעיונות מתנועת עדרי ציפורים ומקבוצות חרקים.

Figure 1. בתי חולים משתפים ידע של בינה מלאכותית, לא תמונות חולים, כדי לשפר אבחנה מבוססת סריקות תוך שמירה על פרטיות הנתונים.
Figure 1. בתי חולים משתפים ידע של בינה מלאכותית, לא תמונות חולים, כדי לשפר אבחנה מבוססת סריקות תוך שמירה על פרטיות הנתונים.

איך בתי חולים יכולים ללמוד יחד בלי לשתף נתונים

המחקר מבוסס על קונספט שנקרא למידת פדרציה, שבו כל מרפאה או בית חולים מאמן עותק מקומי של מודל ה-AI על תמונותיו, ואז שולח רק את העדכונים המספריים של המודל לשרת מרכזי. השרת ממוצע את העדכונים הללו למודל גלובלי חזק יותר ושולח אותו בחזרה, בעוד שהתמונות הגולמיות לעולם לא עוזבות את בית החולים. בעבודה זו, ארבעה מרכזים רפואיים מדומים שיתפו פעולה על שלושה סוגי תמונות: רנטגן חזה הקשורים ל-COVID-19, תמונות עור שעשויות להציג מונקי פוקס וממוגרמות לסקר סרטן השד. התצורה הזו שואפת לשקף את המציאות, שבה בתי חולים שונים מטפלים בקבוצות מטופלים שונות ולא יכולים פשוט לאחד רשומות.

לתת לעדרים דיגיטליים לכוונן את תהליך הלמידה

אתגר מרכזי בלמידת פדרציה הוא בחירת הגדרות המודל המתאימות וההחלטה אילו חלקים של נתוני התמונה הכי שימושיים. במקום לכוונן ידנית את הבחירות האלה, המחברים משתמשים ב"מודיעין עדרים" בהשראת קבוצות בעלי חיים. הם משלבים שתי אסטרטגיות חיפוש: אופטימיזציית עדר חלקיקים (Particle Swarm Optimization), המדמה ציפורים העוקבות אחרי ניסיונן הטוב ביותר וזו של העדר, ואלגוריתם הָפנִילִים (Firefly Algorithm), שבו פתרונות "מוארים" מושכים אחרים. בתוך כל בית חולים, עדרים אלה מסייעים לבחור אילו תכונות תמונה לשמור וכיצד לכוון פרמטרי לימוד כמו קצב צעד ועומק המודל. בשרת המרכזי, רעיונות דומים מתאימים את המשקל שמקבלים תרומות כל בית חולים, בהתאם לאיכות הנתונים ולביצועים.

Figure 2. חלקיקים על-חקרתיים בסגנון עדר מכווננים תכונות תמונה וצעדי למידה כך שלמידת פדרציה הופכת מדויקת יותר עם פחות חילופים.
Figure 2. חלקיקים על-חקרתיים בסגנון עדר מכווננים תכונות תמונה וצעדי למידה כך שלמידת פדרציה הופכת מדויקת יותר עם פחות חילופים.

בדיקה על סריקות של COVID-19, מונקי פוקס וסרטן השד

כדי לבדוק האם הגישה המשולבת הזו עובדת בפועל, הצוות אימן רשתות עצביות עמוקות מלבניות (convolutional) על שלוש ערכות נתונים ציבוריות. לאחר שימוש בהגדלת נתונים להרחבת מספר התמונות לאימון, הם מדדו הצלחה עם מדדים סטנדרטיים כגון דיוק, דיוק חיובי וזכירה (recall). התצורות הטובות ביותר שלהם הגיעו לערך דיוק של כ-96.7% עבור רנטגני חזה של COVID-19, 96.1% עבור תמונות עור של מונקי פוקס, ו-97.0% עבור ממוגרמות של סרטן השד. בהשוואה לתצורות פדרציה פשוטות יותר, המערכת המנוהלת על-ידי עדר שיפרה את הדיוק בכמה נקודות אחוז והקטינה את מספר סבבי התקשורת בין בתי החולים לשרת בכ־רבע בקירוב.

שמירה על פרטיות, אבטחה וריאליזם באיזון

מכיוון שנתוני מטופלים רגישים מאוד, המסגרת מטמיעה אמצעי פרטיות ואבטחה מעל לעיצוב הפדרציה הבסיסי. היא משתמשת בהצפנה לכל ההעברות ובשיטה פורמלית שנקראת פרטיות דיפרנציאלית (differential privacy), שמוסיפה רעש מבוקר לעדכונים המשותפים כך שאי אפשר לעקוב אחרי מטופלים בודדים. המחברים מנתחים כיצד זה משפיע על הביצועים ומראים שגם תחת הגדרות פרטיות חזקות, הדיוק נשאר מעל 94% במשימות השונות. הם גם בוחנים עד כמה המערכת מחזיקה מעמד מול תמונות רועשות, התקפות סייבר מדומות ועיכובים בקישורי רשת, ומוצאים שהשחיקה בביצועים מינימלית. ניסויים על ערכות נתונים חיצוניות שנאספו במקומות שונים מרמזים שהמודלים הנלמדים יכולים להתכלל מעבר למקורות האימון המקוריים.

מה זה אומר לטיפול רפואי עתידי

במילים פשוטות, המאמר מראה שאפשר להרבה ספקי שירותי בריאות לאחד את "הידע" שבתמונותיהם הרפואיות מבלי לאחד את התמונות עצמן. על ידי הוספת כוונון בהשראת עדרים על גבי למידת פדרציה, בתי חולים יכולים לקבל עזרה מבוססת AI מדויקת יותר לזיהוי COVID-19, מונקי פוקס וסרטן השד, תוך צריכת פחות תעבורת רשת ועמידה בתקנות הפרטיות. המחברים טוענים שסוג זה של גישה יכול להפוך כלים אבחוניים מתקדמים לנגישים גם במרפאות קטנות או מרוחקות, ולעזור לרופאים לגלות מחלות מוקדם יותר בלי לסכן את סודיות המטופל.

ציטוט: 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

מילות מפתח: למידת פדרציה, דימות רפואי, מודיעין עדרים, בינה מלאכותית שומרת פרטיות, בינה מלאכותית בתחום הבריאות