Privacy-Preserving Detection of Rare Disease-Associated Cell Subsets via Secure Multi-Party Computation
تقترح هذه الورقة إطار عمل للحوسبة الآمنة متعددة الأطراف يتيح التدريب والاستدلال المحافظ على الخصوصية لنموذج CellCnn على بيانات الخلايا الفردية ذات الحصص السرية، مما يسمح للمؤسسات بالتعاون في اكتشاف المجموعات الخلوية الفرعية المرتبطة بالأمراض النادرة بدقة عالية دون الكشف عن معلومات المرضى الحساسة.
المؤلفون الأصليون:Ş. Selcan Magara, Esther Havemann, Debora Jutz, Ali Burak Ünal, Mete Akgün
في العالم المجهري داخل أجسادنا، غالبًا ما يتوقف الأمر بين الصحة والمرض على وجود عدد قليل من خلايا محددة تختبئ وسط الملايين من غيرها. تخيل أنك تبحث عن حبة رمل واحدة فريدة على شاطئ شاسع؛ هذا هو التحدي الذي يواجهه العلماء عند محاولة العثور على مجموعات خلوية نادرة تشير إلى المراحل المبكرة من سرطان الدم (اللوكيميا) أو عدوى فيروسية. لقد منحت التكنولوجيا الحديثة الباحثين القدرة على قياس عشرات البروتينات على آلاف الخلايا الفردية في وقت واحد، مما يخلق خريطة عالية الدقة للجهاز المناعي. ومع ذلك، فإن البيانات ذاتها التي تجعل هذه الاكتشافات ممكنة هي أيضًا بيانات شخصية للغاية. إذ يمكنها الكشف عن الحالة المرضية للشخص، وتاريخه المناعي، وحتى استعداداته الوراثية. وبسبب هذه الحساسية، تمنع قوانين الخصوصية الصارمة المستشفيات من مجرد مشاركة بيانات مرضاها مع بعضها البعض. وهذا يخلق عقبة محبطة: فمن أجل العثور على هذه الخلايا النادرة بشكل موثوق، يحتاج العلماء إلى تدريب نماذج حاسوبية على مجموعات كبيرة ومتنوعة من المرضى، لكنهم لا يستطيعون قانونيًا تجميع البيانات المطلوبة للقيال بذلك.
لقد طور فريق من الباحثين الآن طريقة جديدة لحل هذا اللغز، تتيح للمستشفيات التعاون في العث de على هذه الخلايا النادرة دون أن تطلع على البيانات الخام لمرضاها. يركز عملهم على نوع محدد من الذكاء الاصطناعي يسمى "CellCnn"، وهو مصمم لرصد هذه المجموعات الخلوية النادرة. بنى الباحثون نظامًا آمنًا يسمح لعدة حواسيب بالعمل معًا على مسألة رياضية مشتركة مع إبقاء الأرقام الفعلية مخفية. وقد حققوا ذلك من خلال تقسيم كل قطعة من البيانات إلى أجزاء عشوائية لا معنى لها وتوزيعها على خوادم حوسبة مختلفة. تقوم هذه الخوادم بإجراء الحسابات المعقدة اللازمة لتدريب الذكاء الاصطناعي على تلك الأجزاء، حيث تتواصل مع بعضها البعض فقط لدمج نتائجها. وفي أي مرحلة، لا يمكن لأي خادم منفرد، ولا حتى الباحثين أنفسهم، رؤية معلومات المريض الأصلية أو الخطوات المتوسطة للحساب. وقد صُمم النظام بحيث تكون النتيجة النهائية بدقة تماثل لو تم دمج البيانات بشكل مفتوح، مع بقاء خصوصية كل فرد مصونة تمامًا.
اختبر الفريق طريقتهم على مجموعات بيانات واقعية تتعلق بعدوى فيروس "سيتوميجالو" وسرطان الدم النقوي الحاد. وفي هذه الاختبارات، قارنوا نظامهم الآمن مقابل النسخة القياسية غير الخاصة من الذكاء الاصطناعي، ومحاولة سابقة ركزت على الخصوصية. وأظهرت النتائج أن نهجهم الآمن يمكنه تحديد الخلايا المرتبطة بالمرض بدقة تقارب الطريقة القياسية. فعلى سبيل المثال، عند البحث عن خلايا مرتبطة بعدوى فيروسية، حقق نظامهم دقة بلغت حوالي 73 بالمائة، وهي دقة متطابقة تقريبًا مع النسخة غير الخاصة. وفي المقابل، فإن طريقة سابقة كانت تحافظ على الخصوصية، والتي اضطرت إلى تبسيط "دماغ" الذكاء الاصطناعي لجعلها تعمل مع التشفير، أدت أداءً أقل وضوحًا، حيث انخفضت دقتها إلى حوالي 63 بالمائ_ة. لقد تمكن النظام الجديد من الحفاظ على الأجزاء المعقدة من الذكاء الاصطناعي، مثل خطوات التنشيط التي تساعد الحاسوب على تعلم الأنماط، والتي اضطرت الطريقة القديمة إلى التخلي عنها.
وبعيدًا عن مجرد التصنيف، أظهر الباحثون أن نظامهم الآمن يمكنه أيضًا التعامل مع مهمة أكثر صعوبة: وهي تقدير العدد الدقيق للخلايا السرطانية النادرة الموجودة في عينة ما. ويعد هذا أمرًا بالغ الأهمية لمراقبة المرضى الذين يعانون من الحد الأدنى من المرض المتبقي، حيث يحتاج الأطباء إلى معرفة ما إذا كان هناك عدد ضئيل من الخلايا السرطانية المتبقية بعد العلاج. توقع النظام الآمن نسبة هذه الخلايا النادرة بمعامل ارتباط قدره 0.98 مقابل القيم الحقيقية، وهو مستوى أداء يطابق النموذج القياسي غير الخاص عن كثب. وكانت هذه القدرة شيئًا لم تستطع الطريقة السابقة التي تحافظ على الخصوصية القيام به على الإطلاق. كما قاس الباحثون المدة التي استغرقها العمل، مشيرين إلى أن تدريب نموذج على شبكة محلية استغرق حوالي 20 دقيقة، رغم أن السرعة تعتمد بشكل كبير على عرض نطاق الاتصال (bandwidth) بين الحواسيب.
تؤكد الدراسة أنه من الممكن تدريب نماذج ذكاء اصطناعي طبية قوية على بيانات حساسة دون المساس بخصوصية المريض. فباستخدام تقنية يتم فيها مشاركة البيانات في شكل أجزاء سرية بدلاً من كونها كتلة واحدة، أظهر الباحثون أن المستشفيات يمكنها التعاون بفعالية دون انتهاك لوائح الخصوصية. وبينما يفترض النظام الحالي أن خوادم الحوسبة ستتبع القواعد ولن تنحرف عن البروتوكول، فإن هذا العمل يوفر أساسًا قويًا لأبحاث طبية مستقبلية. فهو يشير إلى مسار مستقبلي حيث يمكن استخدام القوة الجماعية للعديد من المستشفيات للكشف عن الأمراض النادرة، مع ضمان بقاء التفاصيل الخاصة لكل مريض مخفية تمامًا طوال العملية بأكملها.
ملخص تقني: الكشف عن المجموعات الخلوية المرتبطة بالأمراض النادرة مع الحفاظ على الخصوصية عبر الحوسبة متعددة الأطراف الآمنة
بيان المشكلة يعد الكشف عن المجموعات الخلوية المرتبطة بالأمراض النادرة (مثل الخلايا الأرومية الصدفية في بقايا المرض الأدنى أو مجموعات خلايا NK النوعية في عدوى فيروس CMV) أمراً بالغ الأهمية لفهم تطور المرض، ولكنه يمثل تحدياً تقنياً بسبب انخفاض الترددات (تصل إلى 0.01%). وبينما أثبتت بنية الشبكة العصبية التلافيفية (CNN) المعروفة باسم CellCnn نجاحاً في تحديد هذه المجموعات من بيانات قياس الكتلة أحادية الخلية عالية الأبعاد، فإن تطبيقها يظل محدوداً بسبب ندرة البيانات. يتطلب تدريب نماذج قوية مجموعات مرضى متنوعة وكبيرة لا تستطيع أي مؤسسة بمفردها تجميعها. ومع ذلك، فإن بيانات الخلية الواحدة حساسة للغاية، حيث تكشف عن الحالة المرضية والاستعدادات الوراثية، مما يمنع مشاركة البيانات بين المؤسسات بموجب لوائح خصوصية صارمة مثل GDPR وHIPAA. إن حلول الحفاظ على الخصوصية الموجودة حالياً، مثل PriCell (الذي يستخدم التشفير المتماثل)، تفرض قيوداً معمارية — وتحديداً إزالة تنشيطات ReLU، وعناصر الانحياز (bias terms)، وقدرات الانحدار (regression) — لتتناسب مع ميزانيات الدوائر متعددة الحدود، مما يقلل من القدرة التعبيرية للنموذج ودقته.
المنهجية يقترح المؤلفون إطار عمل للحوسبة متعددة الأطراف الآمنة (MPC) يتيح التدريب والاستدلال الشامل لـ CellCnn بالكامل على بيانات مقسمة (secret-shared data). يعمل النظام تحت نموذج أمني "شبه نزيه" (semi-honest) مع أغلبية نزيهة، باستخدام إعداد ثلاثي الأطراف: طرفا حوسبة وسيطان (P0,P1) وطرف مساعد (P2).
تمثيل البيانات: يقوم مالكو البيانات (المؤسسات الرعاية الصحية) بتقسيم قياسات الخلية الواحدة إلى حصتين عشوائيتين مضافتين عبر الحلقة Z264، وإرسال حصة واحدة إلى كل وسيط. لا يرى أي طرف البيانات النصية الخام أبداً.
الحوسبة: يقوم الوسيطان بإجراء عمليات الجمع المحلية ويتفاعلان في عمليات الضرب باستخدام "ثلاثيات بيفر" (Beaver triples) التي يوفرها الطرف المساعد. يتم التعامل مع الحسابات ذات القيم الحقيقية عبر الحساب ذو النقطة الثابتة (fixed-point arithmetic).
التعديلات المعمارية: لاستيعاب بيئة MPC مع الاحتفاظ بالقدرة التعبيرية الكاملة لـ CellCnn، استبدل المؤلفون عمليات محددة غير متعددة الحدود:
المُحسِّن (Optimizer): تم استبدال مُحسِّن Adam (الذي يتطلب القسمة والجذور التربيعية) بـ mini-batch SGD مع الزخم (momentum).
التنشيطات (Activations): تم الإبقاء على تنشيطات ReLU في الطبقة التلافيفية (مدعومة أصلياً) واستخدام متوسط التجميع (mean pooling) لتجنب المقارنات الآمنة.
رؤوس المخرجات (Output Heads): تم استبدال رأس softmax/cross-entropy القياسي برأس sigmoid لكل فئة يتم تقريبه بواسطة متعدد حدود من الدرجة الثالثة بطريقة المربعات الصغرى. بالنسبة لمهام الانحدار، تم تنفيذ رأس يعتمد على tanh وتم تدريبه مقابل متوسط مربع الخطأ (MSE) باستخدام الأسس المقنعة والقسمة الآمنة.
عناصر الانحياز (Bias Terms): على عكس النهج السابق القائم على التشفير المتماثل (HE)، تم الإبقاء على عناصر الانحياز في كل من الطبقات التلافيفية والطبقات كاملة الاتصال.
المساهمات الرئيسية
تنفيذ كامل المعمارية لـ MPC: يقدم البحث أول تنفيذ لـ CellCnn تحت نظام MPC يحافظ على المكونات المعمارية الحرجة (ReLU، عناصر الانحياز) التي تم حذفها في النسخ السابقة مثل PriCell.
قدرة الانحدار: يدعم إطار العمل التنبؤ بالنتائج المستمرة (الانحدار) عبر رأس يعتمد على tanh، مما يوسع فائدة CellCnn المحافظ على الخصوصية بما يتجاوز قيود الانحدار التي فرضها التشفير المتماثل.
التدريب المنفصل: يسمح البروتوكول لمالكي البيانات بتقديم الحصص ثم قطع الاتصال، حيث يتم إجراء الحوسبة بواسطة مجموعة ثابتة من أطراف الحوسبة المخصصة، على عكس نماذج التعلم الاتحادي المتزامنة التي تتطلب بقاء جميع حائزي البيانات متصلين.
النتائج تم تقييم الطريقة على ثلاث معايض: تصنيف CMV (خلايا NK)، وتصنيف AML (ثلاث فئات)، وانحدار AML لمرض بقايا المرض الأدنى (MRD).
تصنيف CMV: حقق تنفيذ MPC دقة مدخلات متعددة الخلايا بلغت 0.727±0.141 ودقة النمط الظاهري بلغت 0.681±0.146. تتبعت هذه النتائج عن كثب خط الأساس لـ CellCnn في النص الصريح (0.721±0.173 و 0.716±0.158 على التوالي) وتفوقت بشكل كبير على خط الأساس لـ PriCell (0.633±0.127).
تصنيف AML: في مهمة تصنيف AML ثلاثية الفئات، حقق تنفيذ MPC دقة متعددة الخلايا بلغت 0.935±0.047، وظل أقرب إلى سقف النص الصريح (1.0) من PriCell (0.898±0.055).
انحدار AML MRD: في مهمة الانحدار، استعاد نموذج MPC كسر الخلايا الأرومية الأساسي بمعامل ارتباط بيرسون قدره r=0.98 ومتوسط خطأ مطلق (MAE) قدره 1.0 نقطة مئوية، مقارنة بـ r=0.99 و MAE قدره 0.8 نقطة مئوية لخط الأساس في النص الصريح.
وقت التشغيل: استغرق تدريب نموذج CMV لمدة 20 حقبة (epochs) حوالي 1,200 ثانية على شبكة LAN بسرعة 5 جيجابت في الثانية. ويشير المؤلفون إلى أن عرض النطاق الترددي هو العائق الأساسي، حيث أدى خفض السرعة إلى 1 جيجابت في الثانية إلى زيادة وقت التدريب إلى 2,700 ثانية.
الأهمية والادعاءات يدعي المؤلفون أن نهجهم نجح في سد الفجوة بين الضرورة الإحصائية للتعاون بين المؤسسات والقيود القانونية والأخلاقية لخصوصية البيانات. ومن خلال الاحتفاظ بالمعمارية الكاملة لـ CellCnn (بما في ذلك ReLU وعناصر الانحياز) ودعم الانحدار، يوفر إطار عمل MPC المقترح دقة أعلى وتطبيقاً أوسع من النماذج السابقة للحفاظ على الخصوصية. ويؤكد البحث أن هذه الطريقة تسمح بتحليل دقيق للمجموعات الخلوية النادرة دون الكشف عن بيانات المرضى الخام أو القيم المتوسطة لأي طرف حوسبة. كما يقر المؤلفون بوجود قيود، بما في ذلك الاعتماد على نموذج تهديد "شبه نزيه" واستخدام حقائق أرضية اصطناعية لمعايض الانحدار، مما يشير إلى أن العمل المستقبلي يجب أن يركز على تعزيز الأمن للوصول إلى النماذج "العدائية" (malicious models) والتحقق من النتائج على مجموعات سريرية حقيقية وأكبر.