Exploring differential privacy in CNNs, LSTMs, GRUs, and RNNs for heartbeat detection from multimodal data

شهدت تقنيات التعلم الآلي في التطبيقات الصحية نموًا متسارعًا خلال السنوات الأخيرة، إذ باتت نماذج التعلم العميق قادرة على تصنيف الحالات الصحية وتحليل الإشارات الحيوية بدقة عالية تدعم الكشف المبكر والمتابعة السريرية، غير أن استخدام البيانات الصحية الحساسة في تدريب هذه النماذج يثير مخاوف كبيرة تتعلق بالخصوصية، فقد تتسرب من نتائج النموذج معلومات تتيح التعرف إلى بيانات مريض بعينه أو تتبعها بما يمس سرية السجلات الصحية وحقوق أصحابها، ومن هنا تتقاطع في الدراسة موضوع هذا المقال قضيتان محوريتان هما كفاءة نماذج التعلم العميق في تصنيف اضطرابات نبض القلب وحماية خصوصية المرضى أثناء التدريب والاستخدام، وتقترح الدراسة توظيف تقنية الخصوصية التفاضلية ضمانة رياضية تحد من إمكان استرجاع البيانات الفردية من النموذج المدرب، وتختبر أثرها في أداء أربعة نماذج مختلفة البنية

أولًا: أهداف الدراسة ومنهجيتها

هدفت الدراسة إلى تطبيق نماذج متنوعة من التعلم العميق في تصنيف اضطرابات نبض القلب مع الحفاظ على الخصوصية عبر الخصوصية التفاضلية، وتشمل النماذج المختبرة الشبكات العصبية الالتفافية وشبكات الذاكرة طويلة قصيرة المدى والوحدات المتكررة المبوّبة والشبكات العصبية المتكررة، وتتحقق الخصوصية التفاضلية في هذا التصميم بإضافة ضوضاء غاوسية إلى التدرجات أثناء عملية التدريب القائمة على النزول التدرجي العشوائي، بما يضمن تعذر تحديد بيانات أي مريض فردي أو تتبعها انطلاقًا من نتائج النموذج، ودربت النماذج وقُيمت على مجموعة بيانات متعددة الوسائط لتسجيلات تخطيط القلب والنوم صادرة عن تعاون بين معهد ماساتشوستس للتقنية ومستشفى بيت إسرائيل، وخضعت البيانات قبل التدريب لمراحل معالجة مسبقة شملت مرشحات لخفض الضوضاء وتقطيعًا لنبضات القلب قائمًا على أخذ العينات بحسب التردد وإعادة أخذ العينات لتوحيد خصائص الإشارات، بما يهيئ قاعدة متسقة للمقارنة العادلة بين النماذج الأربعة في ظل قيود الخصوصية ذاتها

ثانيًا: أبرز النتائج

أظهرت النتائج أن النماذج الأربعة حافظت على مستويات دقة مرتفعة رغم قيود الخصوصية التفاضلية المفروضة أثناء التدريب، فقد حقق نموذج الوحدات المتكررة المبوّبة أعلى دقة بلغت 99.5 في المئة، وتلاه نموذج الشبكات العصبية الالتفافية بدقة 99.12 في المئة، ثم نموذج شبكات الذاكرة طويلة قصيرة المدى بدقة 98.89 في المئة، بينما جاءت الشبكات العصبية المتكررة في المرتبة الأخيرة بدقة 79.60 في المئة بفارق واضح عن بقية النماذج، ويشير هذا الترتيب إلى أن البنى المتكررة الحديثة ذات آليات البوابات أقدر على التقاط الأنماط الزمنية في إشارات نبض القلب مع تحمل الضوضاء المضافة لأغراض الخصوصية دون خسارة جوهرية في الأداء، في حين تتأثر الشبكات المتكررة التقليدية بدرجة أكبر بتلك القيود، وبذلك تقدم النتائج دليلًا تجريبيًا على أن حماية الخصوصية لا تعني بالضرورة التضحية بالدقة التصنيفية حين يقع الاختيار على بنية نموذج ملائمة لطبيعة البيانات الزمنية الحيوية

ثالثًا: دلالات الدراسة وتطبيقاتها

تنطوي نتائج الدراسة على دلالات تطبيقية مباشرة للمطورين والمؤسسات الصحية التي تسعى إلى توظيف التعلم العميق في الكشف عن اضطرابات نبض القلب في سيناريوهات واقعية، فهي تقدم إرشادًا عمليًا لاختيار نماذج فعالة وحافظة للخصوصية في آن واحد، وتبرز نموذج الوحدات المتكررة المبوّبة خيارًا أول مرشحًا حين تكون الدقة والخصوصية مطلوبتين معًا، كما تصلح منهجية الدراسة إطارًا قابلًا للنقل إلى تطبيقات صحية أخرى تعتمد على بيانات حساسة، إذ يمكن تكييف إضافة الضوضاء إلى التدرجات مع مهام تصنيف متنوعة دون إعادة بناء المنظومة من جديد، كما أن إتاحة المقارنة المباشرة بين البنى الأربع في ظروف خصوصية موحدة تقلل مخاطر الاعتماد على الانطباعات النظرية وحدها عند تصميم أنظمة الرصد الصحي، وتمنح فرق التطوير أساسًا تجريبيًا لتقدير كلفة الخصوصية بدقة قبل النشر الفعلي للنموذج في البيئات السريرية المختلفة، وتسهم الدراسة في أدبيات الذكاء الاصطناعي الصحي بموازنتها الصريحة بين متطلبين كثيرًا ما يتعارضان وهما الأداء التنبؤي وحماية بيانات المرضى، وتفتح الباب أمام بحوث لاحقة تختبر هذه المقايضة على مجموعات بيانات أوسع ومهام سريرية مختلفة للتحقق من ثبات التفوق المرصود لبعض البنى على غيرها

وخلاصة القول إن الدراسة تثبت تجريبيًا إمكان الجمع بين الدقة العالية في تصنيف اضطرابات نبض القلب وحماية خصوصية المرضى باستخدام الخصوصية التفاضلية، إذ تفوق نموذج الوحدات المتكررة المبوّبة على منافسيه بدقة بلغت 99.5 في المئة في ظل القيود ذاتها، بما يقدم دليلًا عمليًا لاختيار نماذج التعلم العميق الحافظة للخصوصية في التطبيقات الصحية الواقعية