Reputation-Driven Federated Learning: Enhancing Trust in Healthcare Data Sharing with Blockchain

في العالم الحديث، تُنتج المستشفيات ومراكز الأبحاث كميات هائلة من المعلومات الحساسة حول المرضى، من إيقاعات القلب إلى الشفرات الجينية. إن مشاركة هذه البيانات أمر ضروري لتدريب الذكاء الاصطناعي على اكتشاف الأمراض في وقت مبكر وعلاجها بشكل أفضل، ولكن القيام بذلك يحمل مخاطر جسيمة: فإذا غادرت البيانات الخام خادم المستشفى الآمن، فقد تنهار خصوصية المريض. لسنوات، سعى العلماء لإيجاد حل وسط. أحد الأساليب الواعدة يسمى "التعلم الاتحادي" (Federated Learning)، وهو أسلوب حيث يقوم حاسوب مركزي بطلب من العديد من المستشفيات المختلفة تدريب نموذج ذكاء اصطناعي مشترك باستخدام بياناتهم المحلية الخاصة. لا ترسل المستشفيات سجلات مرضاها الخاصة إلى الحاسوب المركزي مطلقًا؛ بل ترسل فقط التحديثات الرياضية التي تعلمها النموذج. ومع ذلك، يعتمد هذا النظام على الثقة. فإذا كانت إحدى المستشفيات غير صادقة أو تعرض حاسوبها للاختراق، فقد ترسل تحديثًا فاسدًا يفسد النموذج بأكمله، أو والأسوأ من ذلك، قد تسرق معلومات عن مرضى آخرين. ولحل هذه المشكلة، يتجه الباحثون إلى "البلوكشين" (Blockchain)، وهي تقنية السجل الرقمي المعروفة بقدرتها على تسجيل المعاملات بطريقة دائمة وشفافة ومستح مستحيلة التغيير دون اكتشافها. ومن خلال الجمع بين هاتين التقنيتين، يهدف العلماء إلى إنشاء نظام تظل فيه البيانات خاصة، ولكن يتم مراقبة والتحقق من سلوك كل مشارك.

اقترح فريق من الباحثين من جامعة كاميرينو وجامعة ميلانو بنية جديدة تنسج هذه المفاهيم معًا في إطار عمل آمن للرعاية الصحية. يركز عملهم على مشكلة محددة: كيفية ضمان مشاركة المستشفيات الجديرة بالثقة فقط في تدريب هذه النماذج المشتركة، وكيفية تحديد وإزالة أي مشارك يعمل بشكل ضار فورًا. لقد بنوا نظامًا يعمل فيه "البلوكشين المصرح به" كجهة سلطة مركزية، ولكن بدلاً من مجرد تخزين السجلات، فإنه يدير بنشاط من يُسمح له بالانضمام إلى عملية التدريب. يستخدم هذا النظام طريقة تسمى "التحكم في الوصول القائم على السمات"، والتي تعمل مثل حارس أمن ديناميكي يتحقق من اعتمادات الزائر المحددة — مثل هويته، ونوع البيانات التي يتعامل معها، وسمعته السابقة — قبل السماح له بالمرور من الباب. في هذا الإعداد، لا يخزن البلوكشين السجلات الطبية الخاصة نفسها؛ بل تظل تلك السجلات مغلقة بأمان داخل قاعدة البيانات المحلية لكل مستشفى. بد instead، يخزن البلوكشين قواعد الوصول، وهويات المشاركين، والبصمات التشفيرية للنماذج التي يشاركونها، مما يضمن أن العملية برمتها شفافة وغير قابلة للتلاعب.

يكمن الابتكار الجوهري لهذا البحث في كيفية حساب واستخدام "الثقة". في النظام التقليدي، قد تُوثق مستشفى لمجرد أنها مؤسسة معروفة. أما في هذا الإطار الجديد، فإن الثقة هي رقم حي يتغير بناءً على الأداء. صمم الباحثون نظامًا يراقب باستمرار كيفية سلوك كل مستشفى أثناء عملية التدريب. إنه ينظر إلى ثلاثة أمور رئيسية: مدى دقة تحديثات النموذج، وسرعة استجابة المستشفى، وسمعتها التاريخية. إذا أرسلت مستشفى تحديثًا للنموذج يختلف بشكل مريب عن الآخرين، أو إذا استغرقت وقتًا طويلاً بشكل غير عادي للاستجابة، فإن النظام يضع علامة على هذا السلوك. قام الباحثون بمحاكاة شبكة مكونة من خمسين مستشفى، حيث تصرف ثلثها كجهات فاعلة ضارة تحاول تخريب التدريب. وفي محاكاتهم، نجح النظام في تحديد هؤلاء الفاعلين السيئين. ارتفعت درجة الثقة للمستشفيات الصادقة مع أدائها الجيد، بينما انخفضت درجة ثقة المستشفيات الضارة بسرعة. وفي غضون جولات قليلة من التدريب، تمكن النظام من عزل الفاعلين السيئين، مما أدى فعليًا إلى قطع الطريق أمامهم في الشبكة حتى لا يعود بإمكانهم التأثير على النموذج المشترك.

ولإنجاز ذلك، طور الباحثون بنية تحتية رقمية مكونة من جزأين. أولاً، أنشأوا نظام "العقد الذكية" (Smart Contract)، وهو في الأساس برنامج ذاتي التنفيذ على البلوكشين، للتعامل مع الهوية وقرارات السياسة. يفحص هذا البرنامج كل طلب ليرى ما إذا كان يتوافق مع قواعد الأمان. ثانيًا، بنوا نظام مراقبة منفصل يحسب درجات الثقة في الخلفية. عندما ترغب مستشفى في الانضمام إلى مهمة تدريب، يتحقق النظام من درجة ثقتها الحالية مقابل قواعد الأمان. إذا كانت الدرجة عالية بما يكفي، يُسمح للمستشفى بالمشاركة. أما إذا كانت الدرجة منخفضة جدًا، ربما بسبب ضبط سلوك غريب في مهمة سابقة، فإن النظام يرفض الوصول. وهذا يخلق شبكة ذاتية التنظيف حيث يُعاقب السلوك السيئ تلقائيًا عن طريق الاستبعاد، ويُكافأ السلوك الجيد بالاستمرار في المشاركة. اختبر الباحثون هذا الإعداد باستخدام بيئة محاكاة تضم خمسين عقدة، مع تشغيل عشر دورات من مهام التدريب. ووجدوا أن النظام يمكنه التمييز بين المشاركين الصادقين والضارين بدقة عالية، مما يعزل الفاعلين السيئين بينما يسمح للصادقين بالاستمرار في تحسين النموذج المشترك.

كما درس البحث كيفية أداء النظام تحت الضغط. قام الباحثون بتوليد آلاف الطلبات لمعرفة كيف سيتعامل البلوكشين مع الحمل. ووجدوا أن النظام يعمل بشكل جيد جدًا عندما يكون عدد الطلبات متوسطًا، حيث يمنح أو يرفض الوصول بدقة بناءً على القواعد. ومع ذلك، مع نمو عدد الطلبات بشكل كبير جدًا، بدأ النظام في التباطؤ، تمامًا مثل طريق سريع مزدحم يسبب الازدحام المروري تأخيرات. وهذا تحدٍ معروف في تقنية البلوكشين، حيث يستغرق التحقق من كل معاملة وقتًا وقوة حوسبة. وبالرغم من هذا القصور، أظهرت النتائج أن الفوائد الأمنية كانت كبيرة. فقد نجح النظام في منع الوصول غير المصرح به وحافظ على سلامة تدريب النموذج، حتى في مواجهة محاولات تسميم البيانات. وخلص الباحثون إلى أنه من خلال دمج إدارة الثقة مباشرة في قواعد التحكم في الوصول، فقد خلقوا آلية دفاع استباقية. هذا النهج لا يكتفي بمجرد رد الفعل تجاه الهجمات بعد وقوعها، بل يمنعها من خلال ضمان أن العقد التي تمتلك سجلاً مثبتًا من الموثوقية هي فقط المسموح لها بالمساهمة في الذكاء الجماعي لشبكة الرعاية الصحية.

في نهاية المطاف، يقدم هذا العمل مسارًا عمليًا لمستقبل مشاركة البيانات الطبية. فهو يثبت أنه من الممكن بناء شبكة تعاونية حيث يمكن للمستشفيات المساهمة في الأبحاث المنقذة للحياة دون الحاجة أبدًا إلى الكشف عن سجلات مرضاها الخاصة. ومن خلال استخدام البلوكشين لفرض قواعد صارمة وشفافة، ومن خلال المراقبة المستمرة لسلوك كل مشارك، يخلق النظام بيئة لا تُفترض فيها الثقة بل يتم التحقق منها. لقد أظهر الباحثون أنه مع الجمع الصحيح بين التكنولوجيا، من الممكن تصفية الضجيج والخبث، وترك تيار نظيف وموثوق من المعرفة التي يمكن أن تساعد الأطباء في تشخيص الأمراض بدقة أكبر وعلاج المرضى بفعالية أكبر. وقد أثبتت المحاكاة أن هذه الطريقة تنجح، مما يشير إلى أنه في العالم الحقيقي، يمكن لنظام كهذا أن يحمي خصوصية الملايين مع تسريع وتيرة الاكتشاف الطبي.