Mix-modal Federated Learning for MRI Image Segmentation
تقدم هذه الورقة MixMFL، وهو نموذج تعلم اتحادي غير مركزي جديد لتقسيم صور الرنين المغناطيسي يعالج عدم تجانس البيانات والأنماط على مستوى العميل من خلال إطار عمل MDM-MixMFL المقترح الذي يتميز بفصل الأنماط لتوفير تحديثات مخصصة ومشتركة، وآلية ذاكرة للتعويض عن الأنماط المحلية غير المكتملة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل عالماً حيث يمتلك كل مستشفى مجموعة مختلفة من الأدوات لتشخيص أورام الدماغ. بعض المستشفيات لديها حقيبة أدوات كاملة تضم أربعة أنواع من فحوصات الرنين المغناطيسي (لنسمّها T1 و T1c و T2 و FLAIR). بينما قد تمتلك مستشفيات أخرى نوعين أو ثلاثة فقط لأن أجهزتها قديمة، أو لأنها نفدت من صبغة التباين.
في الماضي، لبناء طبيب ذكاء اصطناعي فائق الذكاء، كان على كل هذه المستشفيات إرسال بيانات مرضاها إلى كمبيوتر مركزي ضخم واحد. لكن هذا أمر غير مسموح به تماماً بسبب قوانين الخصوصية والمخاطر الأمنية؛ فلا يمكنك ببسا simply إرسال صورة دماغ مريض عبر البريد الإلكتروني إلى شخص غريب.
تقدم هذه الورقة البحثية طريقة جديدة لتدريب الذكاء الاصطناعي تسمى التعلم الاتحادي متعدد الأنماط (Mix-modal Federated Learning). إليك تفصيل بسيط لكيفية عملها، باستخدام بعض التشبيهات الممتعة.
المشكلة: معضلة "أحجية الصور المقطوعة" (Jigsaw Puzzle)
تخيل أنك تحاول حل أحجية صور مقطوعة ضخمة (ورم الدماغ)، لكن القطع مبعثرة في منازل مختلفة (المستشفيات).
- المنزل (أ) لديه جميع القطع الحمراء (قلب الورم) ولكن لا توجد لديه قطع زرقاء (الوذمة/التورم).
- المنزل (ب) لديه جميع القطع الزرقاء ولكن لا توجد لديه قطع حمراء.
- المنزل (ج) لديه مزيج منهما، لكن القطع من علبة أحجية مختلفة (توزيع بيانات مختلف).
إذا حاولت إجبار الجميع على مشاركة قطعهم، فستنتهك الخصوصية. وإذا حاولت بناء الأحجية في كل منزل على حدئ، فستكون الصورة غير مكتملة.
الحل: نهج "الفريق الذكي"
يقترح المؤلفون نظاماً يتعلم فيه الذكاء الاصطناعي محلياً في كل مستشفى، ولكنه يشارك المعرفة بدلاً من البيانات. لقد أطلقوا على إطار عملهم الجديد اسم MDM-MixMFL. وهو يستخدم حيلتين رئيسيتين لجعل هذا الأمر ممكناً:
1. فريق "المتخصص والعام" (فك الارتباط بين الأنماط - Modality Decoupling)
عادةً، يحاول الذكاء الاصطناعي تعلم كل شيء في وقت واحد. لكن هنا، ينقسم الذكاء الاصطناعي في كل مستشفى إلى دورين:
- المتخصص (المُشفّر المخصص للنمط - Modality-Tailored Encoder): هذا الجزء من الذكاء الاصطناعي خبير في فقط عمليات الفحص المحددة التي يمتلكها المستشفى. إذا كان المستشفى (أ) يمتلك فحوصات T1 فقط، فإن "المتخصص" يتعلم كيف يكون الأفضل مطلقاً في فهم T1. هو لا يحاول تخمين كيف يبدو T2.
- العام (المُشفّر المشترك للأنماط - Modality-Shared Encoder): هذا الجزء يتعلم "المنطق السليم" الذي ينطبق على جميع فحوصات الدماغ، بغض النظر عن نوعها. إنه يتعلم ما يبدو عليه الورم بشكل عام، مما يساعد في ربط النقاط بين المستشفيات المختلفة.
التشبيه: فكر في الأمر كطاقم بناء.
- المتخصصون هم البنّاؤون الذين يعرفون فقط كيفية رص الطوب بإتقان، ولا يحاولون القيام بأعمال السباكة.
- العام هو مدير المشروع الذي يعرف كيفية تنسيق المبنى بأكمله.
- عندما يحدثون مهاراتهم، يتحدث البنّاؤون فقط مع البنّاءين الآخرين (ليصبحوا أفضل في رص الطوب)، ويتحدث مديرو المشاريع مع جميع مديري المشاريع الآخرين. هذا يمنع الارتباك ويحافظ على كفاءة الجميع.
2. "بنك الذاكرة السحري" (حفظ الأنماط - Modality Memorizing)
ماذا يحدث إذا كان المستشفى (أ) يمتلك فحوصات T1 ولكنه يفتقر إلى فحوصات T2؟ قد يعاني الذكاء الاصطناعي في رؤية التورم (الذي تظهره فحوصات T2 بأفضل شكل).
لقلّد المؤلفون بنك ذاكرة.
- بينما يتعلم الذكال الاصطناعي، فإنه يأخذ "لقطات" (نماذج أولية) لما تبدو عليه سمات معينة.
- تُخزن هذه اللقطات في ذاكرة سحابية آمنة ومشتركة.
- عندما يفتقر المستشفى (أ) إلى فحص T2، يصل الذكاء الاصطناعي إلى "بنك الذاكرة"، ويأخذ "لقطة T2" من جار لديه هذا الفحص، ويستخدمها لسد الفجوة.
التشبيه: تخيل أنك تطبخ حساءً ولكنك نسيت شراء الملح. بدلاً من الاستسلام، تسأل جارك: "كيف يبدو طعم الملح؟". فيصفه لك بدقة. ثم تضيف هذا "الوصف" إلى حسائك. أنت لم تسرق ملحه؛ بل استعرت فقط معرفته بماهية الملح.
لماذا يعد هذا أمراً هاماً؟
- الخصوصية أولاً: لا تخرج أي بيانات للمرضى من المستشفى أبداً. فقط "الدروس المستفدة" (التحديثات الرياضية) هي التي يتم مشاركتها.
- يتعامل مع العالم الحقيقي الفوضوي: المستشفيات الحقيقية فوضوية. بعضها لديه 4 أجهزة فحص، وبعضها لديه جهازان فقط. بعضها لديه أجهزة مختلفة. هذا النظام مصمم للتعامل مع تلك الفوضى دون انكسار.
- نتائج أفضل: اختبر المؤلفون هذه الطريقة على بيانات حقيقية لأورام الدماغ. تفوقت الطريقة الجديدة على جميع نماذج الذكاء الاصطناعي الموجودة. لقد كانت جيدة جداً لدرجة أنها كادت تضاهي أداء "السيناريو المثالي" حيث يشارك الجميع جميع بياناتهم (وهو أمر غير قانوني/مستحيل).
الخلاصة
تتعلق هذه الورقة البحثية بتعليم الذكاء الاصطناعي كيف يكون لاعباً جماعياً في عالم يمتلك فيه الجميع أدوات وقواعد مختلفة. من خلال تقسيم الذكاء الاصطناعي إلى "متخصصين" و"عامين" وتزويدهم بـ "بنك ذاكرة" مشترك لاستعارة المعلومات المفقودة، نجحوا في إنشاء نظام يمكنه تشخيص أورام الدماغ بدقة دون انتهاك خصوصية المريض أبداً.
إنه يشبه بناء طبيب فائق الذكاء من خلال جعل آلاف الأطباء المحليين يعلمون بعضهم البعض أسرارهم، دون الحاجة أبداً لعرض ملفات مرضاهم على المجموعة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.