يواجه تحليل الصور الطبية تحديات مستمرة تتصل بتوزع البيانات بين المؤسسات الصحية وندرة التعليقات التوضيحية المصاحبة لها، فضلًا عن التباين في أنماط التصوير وبروتوكولات الالتقاط والخصائص الديموغرافية للمرضى، وقد اصطدمت مناهج التعلم العميق المركزية بحواجز خصوصية البيانات إذ تستلزم تجميع البيانات الخام في موقع واحد، بينما يتيح التعلم الموحد تدريب النماذج بصورة لامركزية دون مشاركة البيانات الخام بين المؤسسات
غير أن أطر التعلم الموحد التقليدية تعاني من صعوبة التعامل مع التوزيعات غير المستقلة وغير المتماثلة للبيانات ومع البيئات السريرية غير المتجانسة، بما يحد من قدرتها على التعميم ويضعف استقرار أدائها عند الانتقال بين المواقع، وهو ما دفع الباحثين إلى تطوير أطر أكثر تكيفًا تحافظ على الخصوصية وتراعي في الوقت نفسه اختلاف خصائص البيانات من مؤسسة إلى أخرى
وتزداد أهمية هذا التوجه مع التوسع المتسارع في استخدام الذكاء الاصطناعي في التشخيص الطبي، إذ تمتلك كل مؤسسة صحية أرشيفًا ضخمًا من الصور لا يمكن مشاركته بحرية لأسباب قانونية وأخلاقية، بينما تحتاج النماذج الدقيقة إلى تنوع واسع في البيانات حتى لا تنحاز إلى خصائص موقع بعينه، ويقدم التعلم الموحد حلًا وسطًا يسمح بتبادل معارف النماذج دون تبادل البيانات ذاتها
أولًا: أهداف الدراسة ومنهجيتها
تقترح الدراسة إطارًا جديدًا للتعلم الموحد في تحليل الصور الطبية يحمل اسم فيد باك إم إي، يدمج التعلم التبايني الواعي بالمنظور مع بنية خليط الخبراء لمعالجة عدم التجانس وعدم توازن البيانات، ويتضمن الإطار تقنية الزيادة متعددة المنظورات التي تحاكي زوايا النظر السريرية المتنوعة، ووحدة تعلم تبايني واعية بالمنظور توائم التمثيلات المستخرجة عبر أنماط التصوير والعملاء المشاركين، إضافة إلى طبقة توجيه من خليط الخبراء تخصص بصورة ديناميكية خبراء متخصصين لتوزيعات البيانات الخاصة بكل عميل بما يعزز التكيف والتعاون بين المواقع، وتعمل دالة خسارة تباينية واعية بالمنظور على فرض اتساق التمثيلات عبر زوايا النظر أثناء التدريب المحلي مع الحفاظ على التماسك العالمي بين المؤسسات، واختُبر الإطار بتجارب واسعة على مجموعة بيانات براتس 2020 متعددة المؤسسات الخاصة بتجزئة أورام الدماغ
ثانيًا: أبرز النتائج
أظهرت التجارب التي أجريت على مجموعة بيانات براتس 2020 لتجزئة أورام الدماغ تفوقًا واضحًا للإطار المقترح على الأطر القائمة، وتتلخص أبرز نتائجه في النقاط الآتية
1. حقق الإطار المقترح دقة بلغت 98.80 في المئة في مهمة تجزئة أورام الدماغ على مجموعة بيانات براتس 2020 متعددة المؤسسات
2. تفوق الإطار على أحدث خطوط الأساس المعتمدة في التعلم الموحد بفارق تجاوز 2.5 في المئة، بما يعكس أثر مكوناته مجتمعة في تحسين الأداء في الظروف السريرية المتنوعة
3. أكدت النتائج فاعلية الإطار في تحسين مواءمة السمات المستخرجة من الصور وقدرة النموذج على التعميم عبر المواقع المختلفة، مع الحفاظ على خصوصية بيانات المرضى ودون مشاركة أي بيانات خام بين المؤسسات
ثالثًا: دلالات الدراسة وتطبيقاتها
تبين هذه النتائج أن الجمع بين التعلم التبايني الواعي بالمنظور وخليط الخبراء يمنح أنظمة تحليل الصور الطبية قدرة أعلى على التعامل مع تباين البيانات بين المستشفيات دون المساس بخصوصيتها، وهو توجه واعد للمؤسسات الصحية العربية التي تسعى إلى بناء نماذج ذكاء اصطناعي تعاونية تحترم أنظمة حماية البيانات الصحية، كما يفيد مطوري الأنظمة الطبية الذكية وطلاب الدراسات العليا في علوم الحاسب والهندسة الطبية الحيوية
ويمثل الحفاظ على الخصوصية أثناء التعلم التعاوني قضية محورية في أخلاقيات الذكاء الاصطناعي الطبي، إذ تخضع بيانات المرضى لأنظمة حماية صارمة تمنع نقلها عبر الحدود المؤسسية والجغرافية بحرية، ويقدم التعلم الموحد إجابة عملية عن هذا التحدي لأنه ينقل تحديثات النماذج لا البيانات ذاتها، غير أن نجاحه يظل رهنًا بمعالجة تباين البيانات بين المواقع المشاركة، وهو ما يجعل الأطر الواعية بالمنظور وخليط الخبراء اتجاهًا بحثيًا جديرًا بالمتابعة والتطوير في السنوات المقبلة
وخلاصة القول إن إطار فيد باك إم إي يقدم نموذجًا متقدمًا للتعلم الموحد يوائم بين متطلبات الخصوصية والدقة والتعميم في تحليل الصور الطبية، ويفتح آفاقًا لتطبيقات أوسع في التشخيص المساعد بالحاسوب داخل شبكات المستشفيات الموزعة جغرافيًا
