📄 developmental biology

Distribution-Aware Federated Learning for Diabetes Prediction Using Tabular Clinical Data Under Non-IID and Class-Imbalanced Settings

تقترح هذه الورقة البحثية التعلم الاتحادي المدرك للتوزيع (DA-FL)، وهو إطار عمل مبتكر يجمع بين عوامل تضخيم الفئات الأقلية الخاصة بكل عميل وبين الخسارة الموزونة بالفئات للتخفيف بفعالية من تحديات عدم استقلالية التوزيع وعدم توازن الفئات في التنبؤ بمرض السكري، متفوقاً بشكل كبير على الطرق التقليدية مثل (FedAvg) من حيث الدقة والاستقرار على مجموعة بيانات (CDC BRFSS 2021).

المؤلفون الأصليون: Amin, R., Rana, M. M. H., Aktar, S.

نُشر 2026-03-08

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Amin, R., Rana, M. M. H., Aktar, S.

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول تعليم مجموعة من خمسة أطباء مختلفين كيفية رصد العلامات المبكرة لمرض السكري. تريد منهم أن يعملوا معاً لإنشاء "طبيب خارق" واحد يكون أفضل من أي منهم بمفرده. ولكن هناك مشكلتان كبيرتان:

جدار الخصوصية: لا يمكن للأطباء مشاركة ملفات مرضاهم الفعلية بسبب قوانين الخصوصية الصارمة. يمكنهم فقط مشاركة "الدروس المستفادة" (الرياضيات الموجودة داخل عقولهم)، وليس أسماء المرضى أو سجلاتهم.
البيانات الفوضوية: كل طبيب يرى نوعاً مختلفاً من المرضى.
- الطبيب (أ): يعمل في منطقة غنية حيث الجميع تقريباً أصحاء. نادراً ما يرى حالات سكري.
- الطبيب (ب): يعمل في منطقة عالية المخاطر ويرى مرضى السكري في كل مريض تقريباً.
- الطبيب (ج): لديه قائمة ضخمة من المرضى، لكن 99% منهم أصحاء.
- الطبيب (د): لديه قائمة صغيرة، لكن نصفهم مصابون بالسكري.

الطريقة القديمة: "الأغلبية الصاخبة" (FedAvg)

في الطريقة التقليدية (المسماة FedAvg)، يعمل الكمبيوتر المركزي كمعلم صارم يستمع إلى الجميع. لكن هذا المعلم يرتكب خطأً فادحاً: فهو يستمع إلى الصوت الأعلى، وليس الصوت الأكثر أهمية.
بما أن الطبيب (ج) لديه أكبر قائمة مرضى، يعتقد المعلم: "الطبيب (ج) هو الخبير بالتأكيد!" ويجعل دروس الطبيب (ج) تهيمن على "الطبيب الخارق".

النتيجة: يصبح "الطبيب الخارق" مهووساً بالقول: "لا أحد يعاني من السكري!" لأن هذا هو ما تبدو عليه أغلب الحالات في المجموعة الكبيرة.
الخطر: يتجاهل "الطبيب الخارق" المرضى المصابين بالسكري الفعليين (الأقلية) لأن المعلم تجاهل الأطباء الأصغر الذين رأوا المرض بالفعل. في الطب، تفويت مريض سكري هو أمر خطير؛ إنه يشبه جهاز إنذار الحريق الذي لا يصدر صوتاً إلا عندما يحترق المنزل بالكامل، ولكنه يظل صامتاً عند وجود شرارة صغيرة فقط.

الطالط الجديدة: "الفصل الدراسي المتوازن" (DA-FL)

ابتكر المؤلفون طريقة جديدة تسمى التعلم الاتحادي المدرك للتوزيع (DA-FL). تخيل هذا كمعلم أكثر ذكاءً يفهم أن الكمية لا تساوي الجودة عندما يتعلق الأمر بالأمراض النادرة.

إليك كيف يعمل نظام DA-FL، باستخدام تشبيه بسيط:

1. "مكافأة المرض النادر" (التدريب المحلي)

قبل أن يرسل الأطباء دروسهم حتى إلى الكمبيوتر المركزي، يعطيهم المعلم قاعدة خاصة: "إذا رأيت مريضاً مصاباً بالسكري، فامنحه اهتماماً إضافياً!"

في الحالة العادية، قد يتجاهل الطبيب مريض السكري لأنهم نادرون في عيادته.
بهذا القانون، يُجبر الطبيب على دراسة هذا المريض تحديداً بدقة شديدة. يضمن هذا أن كل طبيب، حتى من لديه معظم المرضى أصحاء، يتعلم كيفية رصد المرض.

2. "التصويت المرجح" (التجميع العالمي)

الآن يرسل الأطباء دروسهم إلى الكمبيوتر المركزي لبناء "الطبيب الخارق".

المعلم القديم قال: "الطبيب (ج)، لديك 10,000 مريض، لذا فإن صوتك يُحتسب 10,000 مرة."
المعلم الجديد (DA-FL) يقول: "الطبيب (ج)، لديك 10,000 مريض، ولكن 10 منهم فقط مصابون بالسكري. صوتك بشأن السكري ضعيف. أما الطبيب (ب)، فلديك 100 مريض فقط، ولكن 50 منهم مصابون بالسكري. صوتك يُحتسب 50 مرة أكثر!"

يحسب المعلم الجديد "عامل تضخيم الأقلية". إنه يشبه مفتاح التحكم في مستوى الصوت.

إذا كان لدى الطبيب عدد قليل جداً من مرضى السكري، يقوم المعلم بخفض صوته (حتى لا يطغى ضجيج "لا يوجد سكري" على الآخرين).
إذا كان لدى الطبيب العديد من مرضى السكري، يقوم المعلم برفع صوته (ليُسمع خبرته في المرض بوضوح).

لماذا يهم هذا؟

اختبر الباحثون هذه الطريقة على مجموعة بيانات ضخمة تضم أكثر من 230,000 سجل صحي. وإليك ما حدث:

الاستقرار: كانت الطريقة القديمة مثل الأفعوانية (Rollercoaster). يوماً ما يكون "الطبيب الخارق" رائعاً، وفي اليوم التالي يكون عديم الفائدة. أما الطريقة الجديدة (DA-FL) فكانت مثل رحلة قطار سلسة—ثابتة وموثوقة في كل مرة.
الدقة: كانت الطريقة الجديدة أكثر استقراراً بـ 31 مرة من الطريقة القديمة.
إنقاذ الأرواح: الأهم من ذلك، كانت الطريقة الجديدة أفضل بكثير في رصد "الأقلية" (مرضى السكري). لم تكتفِ بمجرد التخمين بأن الشخص "سليم" للحصول على درجة عالية؛ بل نجحت فعلياً في إيجاد المرضى.

الخلاصة

تحل هذه الورقة البحثية مشكلة حيث تتفوق البيانات الضخمة عادةً على البيانات النادرة. في عالم لا يمكننا فيه مشاركة السجلات الطبية الخاصة، يضمن نظام DA-FL أن "الطبيب الخارق" لن يصبح خبيراً في الأغلبية فقط. بدلاً من ذلك، سيصبح خبيراً في الجميع، وخاصة الأقلية الضعيفة التي تحتاج إلى المساعدة أكثر من غيرها.

إنه يشبه تغيير قاعدة الفصل الدراسي من "الطالب الذي يحل أكبر قدر من الواجبات يحصل على أكبر قدر من الدرجات" إلى "الطالب الذي يحل أصعب المسائل يحصل على أكبر قدر من الدرجات". بهذه الطو، تحصل الحالات النادرة والصعبة (مثل السكري) على الاهتمام الذي تستحقه.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "التعلم الاتحادي المدرك للتوزيع للتنبؤ بمرض السكري باستخدام البيانات السريرية الجدولية في ظل ظروف عدم تجانس البيانات (Non-IID) وعدم توازن الفئات."

1. بيان المشكلة

تتناول الورقة تحديين حرجين ومترابطين في نشر التعلم الاتحادي (Federated Learning - FL) للتنبؤ بمرض السكري سريرياً:

التباين الإحصائي (بيانات غير متماثلة التوزيع - Non-IID): تختلف بيانات المرضى عبر المؤسسات الرعاية الصحية المختلفة بشكل كبير نتيجة للاختلافات الديموغرافية، والمعدات التشخيصية، وانتشار المرض. تعاني خوارزميات التعلم الاتحادي القياسية (مثل FedAvg) من "انحراف العميل" (client drift) في ظل هذه الظروف، مما يؤدي إلى ضعف تقارب النموذج العالمي.
عدم توازن الفئات: في مجموعات البيانات السريرية، تفوق حالات غير المصابين بالسكري (الفئة الأغلبية) حالات المصابين بالسكري (الفئة الأقلية) بشكل هائل. في مجموعة بيانات CDC BRFSS 2021 المستخدمة، تبلغ نسبة عدم التوازن حوالي 6:1.
الصراع الجوهري: تتجاهل استراتيجيات التجميع التقليدية في التعلم الاتحادي (مثل FedAvg) التوزيعات المحلية للفئات، حيث تزن تحديثات العملاء بناءً على حجم مجموعة البيانات فقط ( $n_k/n$ ). ونتيجة لذلك، فإن العملاء الذين يمتلكون مجموعات بيانات كبيرة ولكن مع عدد قليل جداً من حالات السكري، يؤثرون بشكل غير متناسب على النموذج العالمي نحو الفئة الأغلبية، مما يؤدي إلى ضعف الحساسية (Recall) للفئة الأقلية وتدهور الأداء في مقاييس مثل F1-Macro وG-Mean.

2. المنهجية: التعلم الاتحادي المدرك للتوزيع (DA-FL)

يقترح المؤلفون إطار عمل DA-FL، وهو إطار مبتكر ينفذ آلية تصحيح ثنائية المستوى لمعالما عدم التوازن دون الحاجة لمشاركة البيانات الخام أو عمليات تعزيز البيانات المعقدة.

أ. المستوى الأول: تصحيح التدريب المحلي (جانب العميل)

لمنع النماذج المحلية من تجاهل الفئة الأقلية أثناء التدريب، يقوم DA-FL بتعديل دالة الخسارة المحلية:

الاعتلال المتقاطع الموزون بالفئات (Class-Weighted Cross-Entropy): يحسب كل عميل $k$ وزناً محلياً $\omega_k$ بناءً على توزيع الفئات المحلي لديه:
$\omega_k = \frac{n_k^{(0)}}{n_k^{(1)}}$
حيث $n_k^{(0)}$ و $n_k^{(1)}$ هما عدد العينات السالبة والموجبة، على التوالي.
الهدف: تقوم الخسرة المحلية بمعاقبة الخطأ في تصنيف الفئة الأقلية بمعامل $\omega_k$ ، مما يجبر النموذج المحلي على الحفاظ على الحساسية لحالات السكري بغض النظر عن انتشارها المحلي.

ب. المستوى الثاني: تصحيح التجميع العالمي (جانب الخادم)

لتصحيح الانحياز الناتج عن التجميع المتناسب مع الحجم، يقدم DA-FL عامل تضخيم الفئة الأقلية ( $\phi_k$ ):

التعريف: $\phi_k$ هو نسبة معدل الحالة الموجبة المحلي للعميل ( $p_k$ ) إلى المعدل الموجب العالمي ( $\bar{p}$ ):
$\phi_k = \text{clip}\left(\frac{p_k}{\bar{p}}, \phi_{min}, \phi_{max}\right)$
حيث $\phi_{min}=0.1$ و $\phi_{max}=5.0$ لمنع أي عميل واحد من الهيمنة.
الآلية:
- العملاء الذين لديهم معدل حالة موجبة مرتفع ( $p_k > \bar{p}$ ) يتلقون $\phi_k > 1$ ، مما يضخم مساهمتهم في النموذج العالمي.
- العملاء الذين لديهم معدل حالة موجبة منخفض ( $p_k \ll \bar{p}$ ) يتلقون $\phi_k \approx 0.1$ ، مما يقلل من تأثيرهم لمنع انحياز الفئة الأغلبية.
الخصوصية: يتم مشاركة المعدل الموجب كقيمة عددية (scalar) فقط كبيانات وصفية (metadata)؛ ولا يتم نقل أي بيانات خام أو رسوم بيانية تفصيلية.

ج. بنية النظام

النموذج: شبكة عصبية متعددة الطبقات (MLP) مكونة من 4 طبقات (المدخلات: 21 ميزة $\leftarrow$ 64 $\leftarrow$ 128 $\leftarrow$ 64 $\leftarrow$ المخرجات).
إطار العمل: تم التنفيذ باستخدام مكتبة Flower (flwr) مع 5 عملاء محاكات.
البيانات: مجموعة بيانات CDC BRFSS 2021 (236,378 سجلاً، 21 ميزة).

3. المساهمات الرئيسية

استراتيجية تجميع مبتكرة: تقديم DA-FL، الذي يدمج معلومات توزيع الفئات المحلية في أوزان التجميع من جهة الخادم عبر عامل $\phi_k$ ، مما يعالج عدم التوازن على مستوى الاتحاد دون تعديل بيانات العميل.
تصحيح ثنائي المستوى: الجمع بين الاعتلال المتقاطع الموزون للفئات والتجميع العالمي المدرك للتوزيع لمعالجة عدم التوازن في آن واحد في مرحلتي التدريب والتجميع.
تقييم شامل: اختبار منهجي على مجموعة بيانات سريرية واقعية واسعة النطاق تحت ثلاثة مستويات من شدة عدم تجانس البيانات (Non-IID) (يتم التحكم فيها بواسطة معامل Dirichlet $\alpha$ ).
المصدر المفتوح: إصدار إطار عمل محاكاة قابل لإعادة الإنتاج للنماذج التنبؤية السريرية غير المتوازنة.

4. النتائج التجريبية

أُجريت التجارب على مدار 30 جولة اتصال مقارنة بين DA-FL وكل من FedAvg، وFedProx، والتدريب المحلي فقط (Local Only)، والتدريب المركزي (Centralized Training).

أ. الأداء في ظل عدم تجانس متوسط ( $\alpha = 0.5$ )

تفوق DA-FL بشكل كبير على النماذج المرجعية في المقاييس السريرية الحرجة:

F1-Macro: تحسن بنسبة 18.2% عن FedAvg (0.4471 مقابل 0.2650).
G-Mean: تحسن بنسبة 26.7% عن FedAvg (0.7329 مقابل 0.4658).
Recall (الاستدعاء): تحسن بنسبة 15.1% عن FedAvg (0.7503 مقابل 0.5997)، مما يشير إلى انخفاض جوههري في السلبيات الكاذبة (الحالات المفقودة لمرض السكري).
الدقة (Accuracy): تحسنت بنسبة 31.5% عن FedAvg.

ب. استقرار التدريب

أظهر DA-FL استقراراً استثنائياً، وهو عامل حاسم للنشر السريري:

استقرار F1-Macro: كان الانحراف المعياري أقل بـ 31 مرة من FedAvg (0.0046 مقابل 0.1431).
أنماط الفشل: سجلت نماذج FedAvg وFedProx قيمة G-Mean بلغت 0.000 في أسوأ جولاتهم (فشل كامل في اكتشاف الفئة الأقلية)، بينما ظل أسوأ G-Mean لـ DA-FL عند 0.5633، مما يضمن اتساق السلامة.
استقرار AUC-ROC: أظهر DA-FL تحسناً بمقدار 14 ضعفاً في تقليل التباين مقارنة بـ FedAvg.

ج. الأداء عبر مستويات عدم التجانس (Non-IID)

المتوسط/الخفيف ( $\alpha = 0.5, 1.0$ ): كان DA-FL متفوقاً باستمرار في جميع المقاييس.
الشديد ( $\alpha = 0.1$ ): بينما تفوق FedProx قليلاً على DA-FL في F1-Macro والدقة، حافظ DA-FL على أعلى G-Mean (0.7020) وأعلى Recall (0.7067)، مما حافظ على المقياس الأكثر حيوية سريرياً (الحساسية تجاه مرضى السكري).

5. الأهمية والخاتمة

الأهمية السريرية: تثبت الدراسة أن DA-FL يخفف بفعالية من "انحياز الفئة الأغلبية" المتأصل في التعلم الاتحادي القياسي، مما يضمن عدم فشل النماذج في اكتشاف مرضى السكري — وهو مطلب سلامة حيوي في الرعاية الصحية.
قابلية النشر العملي: الطريقة خفيفة حسابياً (عبء قدره $O(K)$ )، ولا تتطلب تعزيز البيانات، وتحافظ على الخصوصية من خلال مشاركة البيانات الوصفية الرقمية فقط.
ضمان الاستقرار: يشير الاستقرار الشديد لـ DA-FL إلى أنه مناسب للنشر في العالم الحقيقي حيث يمكن أن تشكل تذبذبات النموذج غير المتوقعة بين الجولات مخاطر على سلامة المرضى.
العمل المستقبلي: يقترح المؤلفون توسيع الطريقة لتشمل التصنيف متعدد الفئات، والقص التكيفي (adaptive clipping) للتوزيعات المتطرفة، والدمج مع الخصوصية التفاضلية (differential privacy).

باختصار، يوفر DA-FL حلاً قوياً يحافظ على الخصوصية لمواجهة التنبؤ السريري الاتحادي، حيث ينجح في موازنة المقايضات بين التباين الإحصائي وعدم توازن الفئات لإنتاج نماذج تشخيصية موثوقة وعالية الحساسية.