تخيل عالماً يمكن فيه للأطباء التعاون لحل الألغاز الطبية دون أن يظهروا لبعضهم البعض الملفات الخاصة بمرضاهم. هذا هو جوهر التعلم الاتحادي (Federated Learning)، وهو وسيلة ذكية لكي تتعلم الحواسيب معاً مع الحفاظ على الأسرار آمنة. عادةً، لتعليم حاسوب كيفية رصد مرض ما، تحتاج إلى جمع الآلاف من الصور الطبية في كومة ضخمة واحدة. لكن المستشفيات لا تستطيع فعل ذلك؛ فقوانين الخصوصية والقواعد الأخلاقية تفرض عليها إبقاء بيانات المرضى مغلقة داخل جدرانها الخاصة. لذا، بدلاً من نقل البيانات، يقومون بنقل "المعلم". يقوم كل مستشفى بتدريب "عقل حاسوبي محلي"، ثم يرسل فقط "الدروس المستفادة" (التحديثات الرياضية) إلى مركز رئيسي، ويحصل في المقابل على عقل مدمج أكثر ذكاءً.

ومع ذلك، هناك عقبة: هذه "الدروس" ضخمة. إن إرسالها ذهاباً وإياباً يشبه محاولة إرسال مكتبة من الموسوعات عبر البريد في كل مرة تريد فيها تحديث وصفة طعام واحدة. إنه أمر بطيء، ومكلف، ويسبب ازدحاماً في شبكة الإنترنت. تتناول هذه الورقة البحثية مشكلة الازدحام هذه. وهي تسأل: هل يمكننا تقليص تلك الدروس الضخمة إلى ملاحظات صغيرة وخفيفة الوزن دون فقدان الحكمة الموجودة بداخلها؟ إذا استطعنا فعل ذلك، فلن نوفر عرض النطاق الترددي فحسب؛ بل يمكننا أيضاً جعل العقل الحاسوبي النهائي يعمل بسرعة فائقة على الأجهزة الصغيرة، مثل تلك المستخدمة أثناء عمليات تنظير القولون في الوقت الفعلي. الهدف هو إيجاد طريقة لمشاركة المعرفة تكون آمنة وخصوصية وسريعة في آن واحد.

الورقة البحثية: QFedPolyp – "الرسول الصغير" لمحققي السلائل (البوليبات)

تعرف على QFedPolły، وهو إطار عمل جديد مصمم لمساعدة المستشفيات على التعاون في اكتشاف السلائل (وهي تلك النتوءات النسيجية الصغيرة في القولون التي قد تتحول إلى سرطان إذا تم تجاهلها) دون استنزاف الميزانية أو انتهاك سياسات الخصوصية. فكر في اكتشاف السلائل كأنها لعبة "أين والدو؟" عالية المخاطر، ولكن بدلاً من البحث عن قميص مخطط، أنت تبحث عن نتوءات صغيرة ومراوغة في بحر من الأنسجة الوردية.

المشكلة: الحقيبة الثقيلة

في الطريقة القديمة المتبعة (التدريب المركزي)، كان على كل مستشفى أن يحزم مكتبته الكاملة من فيديوهات تنظير القولون ويشحنها إلى خادم مركزي. هذا يمثل كابوساً للخصوصية وغالباً ما يكون غير قانوني.
أما في الطريقة "الاتحادية" الحالية، فتحافظ المستشفيات على أمان بياناتها، لكنها لا تزال مضطرة لإرسال حقائب ظهر ضخمة وثقيلة مليئة بالرياضيات (معاملات النموذج كاملة الدقة) في كل مرة تتعلم فيها شيئاً جديداً. الأمر يشبه إرسال موسوعة بوزن 100 رطل لتحديث حقيقة واحدة فقط. هذا يعمل، لكنه بطيء ومكلف، خاصة إذا كان اتصال الإنترنت في المستشفى ضعيفاً أو متذبذباً.

الحل: خدعة "الوعي بالكمية" (Quantization-Aware)

ابتكر مؤلفا هذه الورقة، مادان بادوول وبريانكا باودل، استراتيجية ذكية من جزئين تسمى QFedPolyp.

1. "جولة التدريب" (التدريب الواعي بالكمية): تخيل أنك طالب تستعد لاختبار حيث لا يمكنك الكتابة إلا بقلم رصاص باهت جداً يترك آثاراً وتلطخات بسهولة. معظم الطلاب يتدربون بقلم رصاص حاد ثم يصابون بالذعر عندما يحصلون على القلم الباهت. QFedPolyp مختلف؛ فخلال مرحلة التدريب، "يتظاهر" الحاسوب بأنه يستخدم قلماً باهتاً (رياضيات منخفضة الدقة) أثناء التعلم. إنه يتدرب على الكتابة بالقلم الباهت بحيث يصبح، بحلول الوقت الذي يتعين عليه فيه إرسال ملاحظاته فعلياً، خبيراً في الكتابة بوضوح باستخدام أداة باهتة. وهذا ما يسمى التدريب الواعي بالكمية (Quantization-Aware Training - QAT).
2. "الرسول الصغير" (الاتصال منخفض الدقة): نظرًا لأن الحاسوب قد تدرب باستخدام القلم الباهت، يمكنه الآن إرسال "دروسه" كملاحظات صغيرة ومضغوطة بدلاً من الموسوعات الثقيلة. فبدلاً من إرسال رقم مكون من 32 بت (رقم عشري كبير وثقيل)، فإنه يرسل رقماً مكوناً من 8 بت (رقم صحيح صغير وخفيف). هذا يقلص حجم البيانات بنحو 4 أضعاف (تقليل بمقدار 4×).

ما وجدوه: السرعة والذكاء

اختبر الباحثون هذه الفكرة على أربع مجموعات بيانات لصور تنظير القولون: Kvasir-SEG، و CVC-ClinicVideoDB، و PolypGen، و BKAI-IGH NeoPolyp. وقد قاموا بمحاكاة سيناريو عملت فيه 5 مستشفيات (عملاء) معاً.

إليك السحر الذي اكتشفوه:

• الدقة تظل مرتفعة: على الرغم من أنهم أرسلوا ملاحظات صغيرة ومضغوطة، إلا أن "العقل الجماعي" النهائي كان ذكياً تقريباً مثل ذاك الذي بُني باستخدام ملاحظات ثقيلة كاملة الحجم. في مجموعة بيانات CVC-ClinicVideoDB، حصل الفريق ذو الدقة الكاملة على درجة Dice تبلغ 0.930 (وهي مقياس لمدى جودة اكتشاف الحاسوب للسلائل)، بينما حصل الفريق المضغوط على 0.915. هذا انخفاض طفيف مقابل سرعة هائلة.
• الفريق "متعدد الأحجام": جربوا أيضاً سيناريو حيث تمتلك بعض المستشفيات إنترنت سريعاً (ترسل ملاحظات بدقة 16 بت أو 32 بت) وأخرى إنترنت بطيئاً (ترسل ملاحظات بدقة 4 بت أو 8 بت). تعامل النظام مع هذا المزيج بشكل مثالي. حتى مع إرسال المستشفيات لأحجام مختلفة من الملاحظات، تعلم الفريق بفعالية، مما يثبت أن النظام مرن بما يكفي للمستشفيات الواقعية ذات التجهيزات التقنية المختلفة.
• استجابة فائقة السرعة: الجزء الأفضل؟ بما أن الحاسوب تعلم التفكير بـ "رياضيات القلم الباهت"، فإن النموذج النهائي يعمل بسرعة مذهلة. عندما اختبروا النموذج على شريحة حاسوب قياسية (Intel i9-14900KF)، فقد عالج الصور في 71.59 مللي ثانية (حوالي 14 إطاراً في الثانية). وعلى بطاقة رسوميات قوية (NVIDIA RTX 4090)، انطلق بسرعة 400 إطار في الثانية. هذا أسرع بمقدار 1.5 مرة من النموذج القياسي الثقيل.

لماذا يهم هذا؟

تجادل الورقة بأن هذا النهج يحل مشكلتين مزدوجتين. أولاً، يجعل من السهل على المستشفيات مشاركة المعرفة دون سد شبكاتها (مما يوفر المال والوقت). ثانياً، يخلق نموذجاً نهائياً خفيفاً بما يكفي للعمل على الأجهزة التي تعمل في الوقت الفعلي، مثل المعالجات الموجودة داخل كاميرا تنظير القولون. وهذا يعني أن الطبيب يمكنه الحصول على مساعدة فورية مدعومة بالذكاء الاصطناعي بينما لا تزال الكاميرا تتحرك داخل المريض، دون الحاجة إلى وجود كمبيوتر خارق بجانبه.

إن المؤلفين واثقون من هذه النتائج لأنهم اختبروها على مجموعات بيانات حقيقية وعامة وقارنوها بأفضل الأساليب الموجودة. لم يكتفوا بالتخمين، بل قاسوا الدقة (باستخدام درجات Dice و IoU) والسرعة (زمن الاستجابة بالمللي ثانية). لقد أظهروا أنه ليس عليك الاختيار بين الخصوصية والسرعة والدقة—يمكنك الحصول على الثلاثة معاً إذا علمت حاسوبك أن يتدرب بالأدوات التي سيستخدمها بالفعل.

باخت-الاختصار، QFedPolyp يشبه تعليم فصل دراسي كتابة ملخص باستخدام دفتر ملاحظات صغير. فمن خلال التدرب باستخدام دفتر الملاحظات الصغير، يمكن للطلاب إرسال ملاحظاتهم بسرعة، وتوفير الورق، ومع ذلك يحصلون على درجة "امتياز" في الاختبار.