Similarity Weighted Aggregation with Global Differential Privacy for Federated Brain Lesion Segmentation
تقترح هذه الورقة إطار عمل DP-SimAgg، وهو إطار تعلم اتحادي يحافظ على الخصوصية ويجمع بين التجميع الموزون بالتشابه والخصوصية التفاضلية من جانب الخادم لتدريب نماذج تقسيم أورام الدماغ بفعالية على بيانات رنين مغناطيسي غير متجانسة ومتعددة المؤسسات مع الحفاظ على أداء تنافسي في ظل ميزانيات خصوصية صارمة.
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 يستطيع فيه الأطباء بناء ذكاء اصطناعي فائق الذكاء لرصد أورام الدماغ، لكنهم لا يستطيعون مشاركة صور الرنين المغناطيسي الخاصة بمرضاهم بسبب قوانين الخصوصية الصارمة. الأمر يشبه محاولة خبز أفضل كعكة في العالم، ولكن يُمنع كل خباز من إرسال وصفته السرية أو مكوناته إلى مطبخ مركزي. هذا هو جوهر التعلم الاتحادي (Federated Learning): وهي طريقة ذكية لتمكين الحواسيب من التعلم معاً دون مشاركة البيانات الخام أبداً. فبدلاً من نقل البيانات، ترسل الحواسيب فقط "الدروس المستفادة" (التحديثات الرياضية) إلى معلم مركزي.
ومع ذلك، هناك عقبتان كبيرتان. الأولى، أن بيانات كل مستشفى مختلفة؛ فبعضها لديه أجهزة مسح قديمة، أو مجموعات مرضى مختلفة، أو طرق فريدة لتصنيف الأورام. هذا يشبه فصلاً دراسياً يتحدث فيه بعض الطلاب لهجات مختلفة؛ فإذا قام المعلم بمجرد حساب متوسط إجاباتهم، فقد تصبح الحصة النهائية مربكة. والثانية، حتى "الدروس" المرسلة يمكن أن تسرب أسراراً. إذا تمكن متسلل ماكر من اعتراض هذه التحديثات، فقد يتمكن من هندستها عكسياً لتخمين كيف تبدو صورة مريض معين. هذا هو تحدي الخصوصية التفاضلية (Differential Privacy): وهي درع رياضي يضيف القدر الكافي من "الضجيج" أو التشويش إلى الدروس بحيث لا يمكن لأحد معرفة ما إذا كانت بيانات شخص معين قد استُخدمت، مع الحفاظ في الوقت ذاته على دقة الدرس الإجمالي.
هذه الورقة البحثية، بعنوان "التجميع الموزون بالتشابه مع الخصوصية التفاضلية العالمية لتجزئة آفات الدماغ الاتحادية"، تعالج كلا المشكلتين معاً. لقد ابتكر الباحثون، الذين يعملون في جامعة توركو للعلوم التطبيقية، طريقة جديدة تسمى DP-SimAgg. تخيلها كأنها مشروع جماعي منظم للغاية لـ 33 مستشفى مختلفاً. لقد استخدموا مجموعة بيانات تضم 1,251 صورة رنين مغناطيسي لمرضى مصابين بـ "الورم الأرومي الدبقي" (نوع من أنواع أورام الدماغ) لتدريب ذكاء اصطناعي على تحديد وتجزئة الورم من أنسجة الدماغ السليمة.
إليك كيف تعمل طريقتهم الجديدة باستخدام تشبيه مرح:
تخيل أن الخادم المركزي هو قائد أوركسترا يقود 33 عازفاً (المستشفيات). في الإعداد القياسي، يأخذ القائد مجرد متوسط الصوت من الجميع ويعيد عزفه. ولكن إذا كان أحد العازفين يعزف لحناً مختلفاً قليلاً (لأن بياناته غريبة أو "غير متماثلة التوزيع/non-IID")، فإن الموسيقى ستبدو فوضوية. يعمل التجميع الموزون بالتشابه (Similarity-Weighted Aggregation) الخاص بالباحثين مثل قائد أوركسترا ذكي يستمع لكل عازف؛ فإذا كان صوت العازف قريباً من تناغم المجموعة، يمنحه القائد ميكروفوناً واضحاً وعالياً. أما إذا كان العازف يعزف صولوهات (عزف منفرد) جامحة وخارجة عن اللحن (نقطة شاذة)، فإن القائد يخفض مستوى صوته. هذا يضمن أن تظل الأغنية النهائية (نموذج الذكاء الاصطناعي) على المسار الصحيح، حتى لو كان العازفون يعزفون من نوتات موسيقية مختلفة.
ولكن مهلاً، ماذا عن الخصوصية؟ لا يزال القائد يسمع النوتات، وهو أمر قد يكون خطيراً. لذا، قاموا بإضافة طبقة خصوصية تفاضلية عالمية (Global Differential Privacy). تخيل أن القائد يضيف "فحيح" هادئ ومعدل من الضجيج إلى التسجيل النهائي. هذا الضجيج محسوب بعناية: فهو عالٍ بما يكفي لإخفاء النوتات التي عزفها أي موسيقي بمفرده (لحماية خصوصية المريض)، ولكنه منخفض بما يكفي لتبقى ملامح اللحن جميلة ومألوفة.
اختبر الباحثون هذه الطريقة على مجموعة حوسبة قوية باستخدام منصة Intel OpenFL. وقاموا بتشغيل التدريب لـ 20 جولة (مثل 20 حصة تدريبية). وقارنوا طريقتهم الجديدة بنسخة غير خاصة (بدون خصوصية).
كانت النتائج واعدة. فعندما استخدموا إعداد خصوصية "صارم" (حيث كان الضجيج مرتفعاً، مع ميزانية خصوصية قدرها لكل جولة)، تمكن الذكاء الاصطناعي من أداء عمل جيد. فقد حقق "درجة دايس" (وهي مقياس لمدى تطابق تحديد الذكاء الاصطناعي مع الورم الحقيقي) بلغت 0.6357 للورم المعزز، و0.5305 لقلب الورم، و0.5274 للورم الكامل. ورغم أنها كانت أقل من النسخة غير الخاصة، إلا أنها أظهرت أن النظام لا يزال يعمل حتى مع وجود حماية خصوصية شديدة.
وعندما خففوا قواعد الخصوصية قليلاً (بزيادة الميزانية إلى لكل جولة، مما يعني ضجيجاً أقل)، ارتفع أداء الذكاء الاصطناعي بشكل كبير، ليقترب جداً من النسخة غير الخاصة. فبالنسبة للورم الكامل، وصلت الدرجة إلى 0.7962، وهي قريبة جداً من الرقم 0.7896 للنسخة المرجعية غير الخاصة.
ومن المهم أن تشير الورقة إلى أن إضافة درع الخصوصية هذا لم يبطئ الأمور كثيراً. فقد استغرق التدريب حوالي 16 إلى 18 ساعة في جميع الحالات، وكان استخدام ذاكرة الكمبيوتر متطابقاً تقريباً (حوالي 305 جيجابايت). وهذا يشير إلى أنه ليس عليك التضحية بالسرعة للحصول على الخصوصية.
ويوضح المؤلفون بحذر أن هذا مجرد محاكاة وتجربة محددة. فقد وجدوا أنه بينما تعمل الطريقة بشكل جيد، إلا أنها تعتمد على خادم مركزي "موثوق" لإضافة الضجيج. وإذا كان هذا الخادم غير جدير بالثقة، فقد تتغير ضمانات الخصوصية. كما أشاروا إلى أن حساسية أنواع الأورام تفاوتت؛ حيث كان الذكاء الاصطناعي أفضل في إيجاد الورم الكامل مقارنة بقلب الورم الصغير والدقيق عندما كان ضجيج الخصوصية مرتفعاً.
باختصار، تشير هذه الورقة إلى أنه من الممكن بناء ذكاء اصطناعي تعاوني وآمن للخصوصية لتجزئة أورام الدماغ، يتعامل مع البيانات الفوضوية والمختلفة من مستشفيات عديدة دون عناء. إنها خطوة نحو مستقبل يمكن فيه للمستشفيات التعلم من بعضها البعض لإنقاذ الأرواض، دون الحاجة أبداً لمشاركة صورة واحدة خاصة بمريض.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.