Privacy-adaptive end-to-end federated learning framework with self-learning differential privacy and personalized optimization for secure healthcare intelligence

أدى تنامي الحاجة إلى تحليل آمن ودقيق لبيانات الرعاية الصحية الحساسة الموزعة عبر مصادر متعددة مثل بنوك الدم إلى تسارع تبنّي التعلم الاتحادي الذي يتيح التدريب التعاوني للنماذج دون توزيع البيانات الخام أو إخراجها من مؤسساتها، ورغم ما يوفره هذا النهج من معالجة لصوامع البيانات وضمان لدرجة من الخصوصية، تكشف الدراسات أن تحديثات التدرج ما تزال تسرّب معلومات حساسة بما يعرّض البيانات لمخاطر إعادة البناء والاسترجاع، وقد طُرحت تقنيات الخصوصية التفاضلية للحد من هذه المخاطر غير أن حقن الضجيج الموحّد غالبًا ما يضر بأداء التعلم، فجاءت هذه الدراسة لتقديم إطار عمل متكيف مع الخصوصية يوازن بين الحماية والمنفعة

أولًا: أهداف الدراسة ومنهجيتها

هدفت الدراسة إلى تطوير إطار تعلم اتحادي شامل متكيف مع الخصوصية يحقق توازنًا أفضل بين الخصوصية والمنفعة في تحليل بيانات الرعاية الصحية الموزعة، فبنت إطارًا يدمج ميزنة خصوصية ذاتية التعلم تخصص ميزانيات الخصوصية ديناميكيًا بحسب حساسية التدرج، وخصوصية تفاضلية غير متجانسة تتفاوت فيها مستويات الضجيج من عميل إلى آخر وفق حساسية بياناته، واستخدمت في جانب العميل مصنّفًا من نوع تعزيز التدرج لتحسين التصنيف في ظروف البيانات غير المستقلة وغير المتماثلة التوزيع، ووظّفت في جانب الخادم خوارزمية أمثلة للبناء لضبط تنظيم الضجيج أثناء عملية التجميع، واختبرت الدراسة الإطار تجريبيًا على سجلات صحية إلكترونية مستمدة من بنوك دم محاكاة وقارنته بأساليب مرجعية في الدقة تحت إعدادات خصوصية قوية وفي كفاءة الاتصال

ثانيًا: أبرز النتائج

أظهرت النتائج التجريبية أن الإطار المقترح حقق دقة تصنيف مرتفعة بلغت 98.39 في المئة في ظل إعداد خصوصية قوي عند قيمة إبسيلون تساوي عشرة، متفوقًا على الأساليب المرجعية بمقدار يتراوح بين ثلاث وخمس نقاط مئوية، كما خفّض الإطار زمن كمون الاتصال بنسبة تقارب أربعين في المئة بما يدل على كفاءته وقابليته للتوسع في البيئات الاتحادية الواقعية، وتؤكد هذه النتائج أن التخصيص الديناميكي لميزانيات الخصوصية بحسب حساسية التدرج وتفاوت الضجيج بين العملاء بحسب حساسية البيانات يعالجان قصور الحقن الموحّد للضجيج الذي كان يضحّي بأداء النموذج، وأن الجمع بين مصنّف معزّز بالتدرج لدى العميل وضبط أمثل للضجيج لدى الخادم يرفع جودة التعلم التعاوني ويثبّت أداءه في ظروف البيانات غير المتجانسة بين المؤسسات

ثالثًا: دلالات الدراسة وتطبيقاتها

تقدّم هذه الدراسة حلًا موثوقًا ومتكيفًا وحافظًا للخصوصية لتحليل آمن وتعاوني لبيانات الرعاية الصحية عبر المؤسسات الموزعة، وتنعكس دلالاتها على المستشفيات وبنوك الدم والجهات الصحية التي تحتاج إلى بناء نماذج مشتركة من بيانات حساسة لا يمكن تجميعها مركزيًا لأسباب تنظيمية وأخلاقية، إذ يتيح لها الإطار المقترح الاستفادة من التعلم الجماعي مع خفض مخاطر تسرب المعلومات من تحديثات التدرج وخفض كلفة الاتصال في الوقت ذاته، كما يفتح تصميم الميزنة ذاتية التعلم والخصوصية غير المتجانسة بابًا لتطوير أطر اتحادية أذكى في قطاعات حساسة أخرى، ويؤكد التوازن المحقق بين الخصوصية والمنفعة أن حماية البيانات والأداء المرتفع هدفان قابلان للجمع حين تُدار مقايضتهما بأساليب تكيفية دقيقة

وتعالج الدراسة بذلك معضلة مزدوجة واجهت تطبيقات التعلم الاتحادي في القطاع الصحي، فمن جهة أولى تُبقي البيانات الحساسة داخل مؤسساتها فتتجاوز مشكلة الصوامع البياناتية وعوائق المشاركة المركزية، ومن جهة ثانية تعالج نقطة ضعف خطيرة تتمثل في تسرب المعلومات من تحديثات التدرج التي يمكن أن تُستغل في إعادة بناء البيانات الأصلية، فلا يعود إبقاء البيانات محليًا ضمانة كافية بذاته، وجاءت الميزنة ذاتية التعلم لتجعل مستوى الحماية متناسبًا مع حساسية كل تحديث بدل توزيع الضجيج بالتساوي على الجميع، بينما عالج تفاوت الضجيج بين العملاء تباين حساسية بيانات المؤسسات المشاركة، وبذلك يتحول التوازن بين الخصوصية والمنفعة من مقايضة خشنة إلى إدارة دقيقة متكيفة مع طبيعة البيانات والمهمة المستهدفة

وخلاصة القول إن إطار التعلم الاتحادي المتكيف مع الخصوصية المقترح في هذه الدراسة جمع بين ميزنة خصوصية ذاتية التعلم وخصوصية تفاضلية غير متجانسة ومصنّف معزّز بالتدرج فضبط توازن الخصوصية والمنفعة بصورة لم تحققها الأساليب المرجعية، فبلغت دقة التصنيف 98.39 في المئة عند إعداد خصوصية قوي مع خفض زمن الاتصال بنحو أربعين في المئة، وبذلك يقدّم حلًا عمليًا واعدًا للتحليل التعاوني الآمن لبيانات الرعاية الصحية الموزعة عبر المؤسسات