⚡ electrical engineering

FQPDR: Federated Quantum Neural Network for Privacy-preserving Early Detection of Diabetic Retinopathy

تقترح هذه الورقة إطار عمل FQPDR، وهو شبكة عصبية كمية اتحادية تستفيد من التعلم التعاوني الحافظ للخصوصية لتحقيق كشف مبكر قوي وخفيف الوزن لاعتلال الشبكية السكري من خلال تحديد التمددات الوعائية الدقيقة الدقيقة دون مشاركة بيانات المرضى الحساسة.

المؤلفون الأصليون: Debashis De, Mahua Nandy Pal, Dipankar Hazra

نُشر 2026-05-12

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Debashis De, Mahua Nandy Pal, Dipankar Hazra

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

الصورة الكبيرة: العثور على البقع الصغيرة قبل أن تكبر

تخيل أن عينيك تشبهان كاميرا عالية الدقة. أحياناً، يصاب الأشخاص المصابون بمرض السكري بنقاط حمراء صغيرة، غير مرئية تقريباً (تسمى التمددات الوعائية الدقيقة - microaneurysms) في الجزء الخلفي من العين. هذه هي العلامات التحذيرية الأولى لحالة تسمى اعتلال الشبكية السكري (DR). إذا اكتشفت هذه النقاط مبكراً، يمكنك إنقاذ بصرك. أما إذا انتظرت طويلاً، فقد يصبح الضرر دائماً.

المشكلة هي أن هذه النقاط صغيرة وباهتة. العثور عليها يشبه البحث عن حبة رمل واحدة على الشاطئ. البرامج الحاسوبية التقليدية (الذكاء الاصطناعي الكلاسيكي) جيدة في هذا الأمر، لكنها تشبه الوحوش العملاقة الجائعة: فهي تحتاج إلى كميات هائلة من البيانات، وقدرة حاسوبية ضخمة، ووقت طويل للتعلم. كما أنها تتطلب من المستشفيات إرسال جميع صور المرضى الخاصة إلى خادم مركزي، مما يثير مخاوف بشأن الخصوصية.

تقترح هذه الورقة حلاً جديداً يسمى FQPDR. وهو يجمع بين ثلاث أفكار متقدمة لحل هذه المشكلات: الحوسبة الكمومية (Quantum Computing)، والتعلم الاتحادي (Federated Learning)، والشبكات العصبية (Neural Networks).

1. العقل "الكمومي": محقق صغير جداً وسريع جداً

التشبيه: تخيل أن الحاسوب التقليدي يشبه أمين مكتبة يقرأ الكتب واحداً تلو الآخر للعثين على كلمة محددة. أما الحاسوب الكمومي فهو يشبه أمين مكتبة يمكنه قراءة كل الكتب في المكتبة في وقت واحد لأنها توجد في حالات متعددة في آن واحد (وهو مفهوم يسمى التراكب - superposition).

ما تفعله الورقة البحثية:
بدلاً من استخدام عقل حاسوبي ضخم وثقيل، بنى المؤلفون شبكة عصبية كمومية (QNN).

خفيفة الوزن: بينما قد يحتاج الذكاء الاصطناعي التقليدي إلى ملايين "الإعدادات" (المعلمات/parameters) للتعلم، فإن هذا الذكاء الاصطناعي الكمومي يحتاج فقط إلى 15 إعداداً. إنه يشبه المحقق الذي يحتاج فقط إلى عدد قليل من الأدلة لحل لغز معقد، بينما يحتاج المحقق القديم إلى ملف كامل.
فعالة: نظرًا لاستخدامه ميكانيكا الكم، يمكنه رصد تلك النقاط الحمراء الصغيرة والباهتة (التمددات الوعائية الدقيقة) باستخدام عدد قليل جداً من أمثلة التدريب. الأمر يشبه تعليم طفل التعرف على قطة من خلال إظهار ثلاث صور له، بينما قد يحتاج الحاسوب التقليدي إلى ثلاثة آلاف صورة.

2. الفريق "الاتحادي": التعلم دون مشاركة الأسرار

التشبيه: تخيل مجموعة من الأطباء في مستشفيات مختلفة يريدون تعلم كيفية رصد هذه النقاط في العين بشكل أفضل.

الطريقة القديمة (المركزية): يقوم الجميع بإرسال ملفات مرضاهم إلى مكتب مركزي واحد. يدرس المكتب المركزي هذه الملفات ثم يرسل القواعد مرة أخرى. ما المخاطرة؟ إذا تعرضت شاحنة البريد للاختطاف، فستُسرق جميع أسرار المرضى.
الطريقة الجديدة (التعلم الاتحادي): يبقى الأطباء في مستشفياتهم الخاصة. يقوم كل منهم بتدريب "محقق" محلي خاص به على مرضاه. بعد ذلك، يرسلون فقط القواعد (الإعدادات الرياضية) التي تعلموها إلى منسق مركزي. يقوم المنسق بخلط هذه القواعد لإنشاء "قاعدة فائقة" ويرسلها مرة أخرى. لا تغادر صور المرضى المستشفى أبداً.

ما تفعله الورقة البحثية:
قام المؤلفون بإعداد نظام حيث تقوم ثلاثة أجهزة كمبيوتر "افتراضية" (عملاء) بتدريب نماذج كمومية خاصة بها على بيانات محلية. هم يشاركون فقط "الأوزان" الرياضية (إعدادات الدماغ) مع خادم مركزي. هذا يضمن حماية خصوصية المريض لأن الصور الفعلية لا تنتقل عبر الإنترنت.

3. العملية: كيف يعمل النظام خطوة بخطوة

تصف الورقة سير عمل محدد لجعل هذا ممكناً:

تقطيع الكعكة (المعالجة المسبقة): يأخذون صور الشبكية الكبيرة ويقطعونها إلى شرائح صغيرة (رقع/patches) للتركيز على المناطق المحددة التي قد توجد فيها النقاط.
الترجمة إلى اللغة الكمومية (الترميز): تتحدث الحواسيب بلغة 0 و 1. أما الحواسيب الكمومية فتتحدث بلغة "السعات" (amplitudes). استخدم المؤلفون طريقة تسمى ترميز السعة (Amplitude Encoding) لترجمة بكسلات الصورة إلى حالات كمومية. فكر في هذا كترجمة كتاب من الإنجليزية إلى كود كمومي سري لا يقرأه إلا الحاسوب الكمومي.
لعبة التدريب:
- ينظر "المحقق الكمومي" إلى البيانات.
- يقوم بعمل تخمين.
- إذا كان التخمين خاطئاً، فإنه يعدل إعداداته الـ 15 الـ (باستخدام أداة رياضية ذكية تسمى Adam Optimizer).
- يتكرر هذا الأمر مراراً وتكراراً (100 جولة أو "حقبة/epoch") حتى يصبح بارعاً حقاً.
اجتماع الفريق (التجميع): يرسل المحققون المحليون الثلاثة إعداداتهم الـ 15 إلى الخادم المركزي. يقوم الخادم بحساب متوسط هذه الإعدادات (مع إعطاء وزن أكبر للمحققين الذين قدموا أداءً أفضل) لإنشاء محقق عالمي أكثر ذكاءً. يتم إرسال هذه النسخة العالمية مرة أخرى إلى الأطباء المحليين لاستخدامها.

4. النتائج: هل نجح الأمر؟

اختبر المؤلفون نظامهم على ثلاث مجموعات مختلفة من صور العين (E-ophtha، وRetina MNIST، وKaggle).

الدقة: كان النظام الكمومي الاتحادي دقيقاً للغاية، حيث وصل غالباً إلى دقة تقارب 89-90% في اكتشاف المرض.
المقارنة: عند مقارنته بالذكاء الاصطناعي التقليدي (الكلاسيكي)، كان النسخة الكمومية أكثر كفاءة بكثير. احتاج الذكاء الاصطناعي الكلاسيكي إلى 33 إعداداً و 62 جولة تدريب للوصض إلى نتيجة مماثلة، بينما احتاج النسخة الكمومية فقط إلى 15 إعداداً و 24 جولة.
الخصوصية: نجح النظام في إبقاء البيانات محلية، مما أثبت أنه يمكنك تدريب نموذج ذكي دون سرقة خصوصية المرضى.
مراجعة الطبيب: قام طبيب عيون حقيقي بمراجعة قرارات النظام ووجدها "ملهمة" ومتوافقة مع الحقائق الواقعية.

5. العقبات (القيود)

الورقة البحثية صريحة بشأن التحديات:

الأجهزة: الحواسيب الكمومية الحقيقية حالياً مكلفة، ونادرة، و"مشوشة" قليلاً (مثل راديو به تشويش). فهي لا تملك الكثير من الـ "qubits" (البتات الكمومية) بعد.
الطبيعة الهجينة: يعمل النظام حالياً جزئياً على حواسيب كلاسيكية وجزئياً على حواسيب كمومية. إنه ليس آلة كمومية مستقلة تماماً بعد.
العبء الإضافي: ترجمة الصور إلى كود كمومي يتطلب وقتاً وجهداً إضافيين.

الملخص

تقدم الورقة نظام FQPDR: وهو Federated Quantum Neural Network لـ Privacy-preserving Detection of Retinopathy (الشبكة العصبية الكمومية الاتحادية للكشف عن اعتلال الشبكية مع الحفاظ على الخصوصية).

فكر في الأمر كأنه فريق من الجواسيس (التعلم الاتحادي) الذين يحلون لغزاً باستخدام قوى خارقة (الحوسبة الكمومية). إنهم يحلون القضية بشكل أسرع وبعدد أقل من الأدلة مقارنة بالمحققين القدامى، ويفعلون ذلك دون الكشف عن ملفاتهم السرية لأي شخص آخر. إنها خطوة واعدة نحو مستقبل يمكننا فيه اكتشاف أمراض العين مبكراً، وبأمان، وبكفاءة.

ملخص تقني: FQPDR – شبكة عصبية كمومية اتحادية للكشف المبكر عن اعتلال الشبكية السكري مع الحفاظ على الخصوصية

1. بيان المشكلة

يُعد اعتلال الشبكية السكري (DR) سبباً رئيسياً للعمى بين مرضى السكري، ويُعتبر الكشف المبكر عنه أمراً حاسماً لمنع تلف العين غير القابل للإصلاح. العلامة المبكرة لاعتلال الشبكية السكري هي وجود التوسع الوعائي الدقيق (microaneurysms - MA)، وهي عب la نقاط صغيرة ومنخفضة التباين، مما يجعل اكتشافها مهمة صعبة.

تواجه النهج الحالية للتعلم العميق، وخاصة الشبكات العصبية الالتفافية (CNNs)، قيوداً كبيرة:

كثافة الموارد: تتطلب عدداً كبيراً من المعلمات القابلة للتعلم وذاكرة عالية، مما يؤدي إلى تعقيد زمني مرتفع.
خصوصية البيانات: يتطلب التدريب المركزي تجميع بيانات طبية حساسة للمرضى في خادم مركزي، مما يشكل مخاطر حدوث خروقات للبيانات وينتهك لوائح الخصوصية.
ندرة البيانات: الحصول على بيانات طبية كافية مشروحة هو أمر مرهق، ومع ذلك فإن التدريب الفعال يتطلب غالباً مجموعات بيانات كبيرة.

2. المنهجية

يقترح المؤلفون نظام FQPDR، وهو نظام شبكة عصبية كمومية اتحادية (Federated Quantum Neural Network) مصمم للكشف المبكر عن اعتلال الشبكية السكري مع الحفاظ على الخصوصية. تدمج المنهجية ثلاث مكونات أساسية:

2.1 بنية الشبكة العصبية الكمومية (QNN)

بدلاً من الخلايا العصبية الكلاسيكية، يستخدم النموذج دائرة كمومية ذات معاملات (Parameterized Quantum Circuit - PQC).

ترميز البيانات: يستخدم النظام ترميز السعة (Amplitude Encoding) لتحويل قطع الصور الكلاسيكية (بحجم 7×6×3، بإجمالي 126 بكسل) إلى حالات كمومية. يتم إضافة بتين صفريين للوصول إلى 128 ( $2^7$ ) بت، مما يسمح بتمثيلها بواسطة نظام مكون من 7 كيوبت (qubits).
تصميم الدائرة: يقترح المؤلفون طوبولوجيا دائرة الجار الأقرب (Nearest Neighbor - NN) خفيفة الوزن ومتعددة الطبقات. تتكون الدائرة من طبقات متبادلة من بوابات الدوران $RY$ وبوابات التشابك المتحكم بها (CNOT).
المعلمات: النموذج خفيف الوزن للغاية، حيث يستخدم 15 معلمة فقط (14 زاوية دوران و1 انحياز).
التحسين: يقيم النظام خوارزميات Gradient Descent وNesterov Momentum وAdam. تم اختيار محسن Adam باعتباره الأكثر فعالية لتدريب معلمات الـ QNN.

2.2 إطار التعلم الاتحادي (Federated Learning - FL)

لمعالجة مخاوف الخصوصية، يتم تدريب الـ QNN ضمن بنية تعلم اتحادي:

التدريب اللامركزي: يتم تدريب النماذج المحلية على أجهزة الحافة (العملاء) باستخدام بيانات المرضى المحلية. لا تغادر البيانات الخام الجهاز المحلي أبداً.
التجميع: يتم فقط مشاركة معلمات النموذج (الأوزان) مع خادم اتحادي مركزي.
النموذج العالمي: يقوم الخادم بتجميع النماذج المحلية باستخدام نهج المتوسط المرجح (يتم تخصيص الأوزان بناءً على أداء النموذج المحلي) لإنشاء نموذج عالمي، والذي يتم بعد ذلك إعادة توزيعه على العملاء لمزيد من التدريب.
الخصوصية: يضمن هذا بقاء الصور الطبية الحساسة في العقد المحلية مع الاستفيد من نموذج عالمي متنوع.

2.3 تفاصيل التنفيذ

مجموعات البيانات: تم تنفيذ النظام والتحقق من صحته باستخدام ثلاث مجموعات بيانات ذات دقة متفاوتة:
- E-ophtha: صور قاع العين عالية الدقة (متأثرة بـ MA وخالية من MA).
- Retina MNIST: صور منخفضة الدقة (28×28).
- Kaggle: مجموعة بيانات واسعة النطاق استُخدمت للتحقق المتقاطع.
البيئة: نُفذت التجارب باستخدام PennyLane على Google Colaboratory وAWS Braket (لمحاكاة الأجهزة الكمومية).
المهمة: يركز النظام على اكتشاف الاعتلال البسيط (التوسع الوعائي الدقيق) من خلال تصنيف قطع الصور كـ "متأثرة" أو "سليمة".

3. المساهمات الرئيسية

توضح الورقة المساهمات المحددة التالية:

بنية مبتكرة: تطوير نظام QNN اتحادي (FQPDR) للكشف المبكر عن اعتلال الشبكية السكري باستخدام صور الشبكية من مجموعات بيانات E-ophtha وKaggle وMNIST.
الحفاظ على الخصوصية: تنفيذ إطار عمل للتعلم الاتحادي لضمان خصوصية البيانات الطبية، مما يسمح بتدريب النموذج دون نقل بيانات المرضى الخام إلى مستودع مركزي.
كفاءة المعلمات: إثبات أن QNN بمعلمات قليلة (15) يمكنه تعلم الارتباطات الميزية بفعالية من عينات محدودة، مما يعالج تحدي ندرة البيانات الطبية المشروحة.
تحليل الأداء: مقارنة شاملة لنظام FQPDR المقترح مقابل الطرق الكلاسيكية الاتحادية وغير الاتحادية الموجودة، وكذلك شبكات CNN الكلاسيكية ذات المعلمات المحدودة.

4. النتائج التجريبية

قيمت الدراسة النظام باستخدام الدقة (Accuracy)، والضبط (Precision)، والاستدعاء (Recall)، ومقياس F1-Score، والنوعية (Specificity).

أداء المحسن: من بين المحسنات التي تم اختبارها، حقق Adam أعلى أداء. بالنسبة لمجموعة بيانات E-ophtha باستخدام محسن Adam، حقق الـ QNN الاتحادي دقة تحقق قدرها 89.74%، متفوقاً على الـ QNN غير الاتحادي (88.46%) وشبكة CNN الكلاسيكية ذات المعلمات المحدودة (85.62%).
التقارب: حقق نموذج QNN تقارباً أسرع من الـ CNN الكلاسيكي، حيث تطلب عدد دورات أقل (24 دورة للـ QNN مقابل 62 دورة للـ CNN) لتحقيق دقة مماثلة أو أفضل.
التحقق المتقاطع: تم إجراء التحقق المتقاطع للنماذج المدربة على E-ophtha وRetina MNIST على مجموعة بيانات Kaggle. أظهر النظام متانة في اكتشاف الاعتلال البسيط، حيث حدد بشكل صحيح 17 من أصل 19 صورة للاعتلال البسيط في مجموعة Kaggle باستخدام النموذج المدرب على E-ophtha.
المقارنة مع الطرق الكلاسيكية:
- يستخدم FQPDR المقترح 15 معلمة فقط، بينما تطلبت طريقة اتحادية كلاسيكية مماثلة (Jagan Mohan et al., 2023) نحو 968,005 معلمة.
- رغم هذا الانخفاض الهائل في المعلمات، حقق FQPDR دقة تنافسية (89.74% مقابل 98.6% في الطريقة الكلاسيكية، وإن كانت الطريقة الكلاسيكية قد استخدمت مجموعة بيانات أكبر بكثير ومعالجة مختلفة).
التقييم النوعي: قام طبيب عيون مسجل بتقييم تنبؤات النظام على صور الاختبار. وُصفت النتائج بأنها "ملهمة"، حيث أظهر النظام قدرة عالية على تعلم التوصيفات من مجموعة البيانات.

5. الأهمية والادعاءات

يزعم المؤلفون أن نظام FQPDR يقدم حلاً خفيف الوزن، وآمناً، وذكياً لإنترنت الأشياء الطبية (IoMT).

الكفاءة: من خلال الاستفادة من التراكب (superposition) والتشابك (entanglement) الكمومي، يلتقط الـ QNN الأنماط المعقدة بعدد أقل بكثير من المعلمات وجهد حوسبي أقل مقارنة بالشبكات العصبية الالتفافية الكلاسيكية.
القابلية للتوسع والخصوصية: يسمح النهج الاتحادي بتدريب قابل للتوسع عبر أجهزة الحافة الموزعة دون المساس بخصوصية بيانات المريض، مما يجعله مناسباً لتطبيقات الرعاية الصحية عن بُعد.
خطوة تأسيسية: تضع هذه الورقة هذا العمل كنهج تأسيسي لتصنيف صور الشبكية باستخدام الشبكات العصبية الكمومية الاتحادية. وتُقر الورقة بالقيود الحالية، مثل التكلفة العالية ومحدودية الوصول إلى الأجهزة الكمومية، والضجيج في الكيوبتات، وتعقيد التدريب الهجين (الكلاسيكي-الكمومي). ومع ذلك، تؤكد أن مع تحسن الأجهزة الكمومية، تمتلك هذه البنية إمكانات كبيرة لإحداث ثورة في التشخيص الطبي.

تخلص الورقة إلى أن دمج التعلم الاتحادي مع الشبكات العصبية الكمومية يوفر مساراً واعداً للكشف المبكر عن اعتلال الشبكية السكري مع الحفاظ على الخصوصية، لا سيما في البيئات محدودة الموارد أو الحساسة للخصوصية.