يعتبر التعلم الفيدرالي (Federated Learning) واحدًا من الابتكارات الثورية التي تتيح لمؤسسات الرعاية الصحية المتنوعة التعاون في تدريب نماذج التعلم العميق (Deep Learning) حتى مع محدودية البيانات. ومع ذلك، تعتبر المتطلبات الكبيرة للموارد في أنظمة التعلم الفيدرالي عائقًا رئيسيًا يعيق تحقيق المساواة في الصحة، حيث تستثني مراكز الرعاية الصحية ذات الموارد المحدودة
من المشاركة، مما يعزز الفجوات الصحية الموجودة.

استجابةً لهذه التحديات، قدم الباحثون استراتيجية جديدة وبيئية تعتمد على تقنية حجب الطبقات (Layer-Freezing). تهدف هذه الاستراتيجية إلى الحد من استهلاك الطاقة والضغط على الحوسبة مع الحفاظ على أداء النموذج. وقد تم اختبار هذا الأسلوب من خلال عدة هياكل فيدرالية لتحويل التصوير بالرنين المغناطيسي (MRI) إلى التصوير المقطعي المحوسب (CT).

تعتمد الاستراتيجية المقترحة على تحسين التدريب الفيدرالي من خلال تجميد أوزان المرمز (Encoder) بشكل انتقائي بناءً على الفروقات النسبية المراقبة لأوزان المرمز من جولة لأخرى. ويستخدم آلية تعتمد على الصبر (Patience) للتأكد من أن التجميد يحدث فقط عندما تبقى التحديثات في مستويات منخفضة.

وقد أظهرت النتائج أن الاستراتيجية الجديدة خفضت من وقت التدريب واستهلاك الطاقة بالإضافة إلى انبعاثات ثاني أكسيد الكربون (CO2eq) بنحو 23%. بينما تمت المحافظة على أداء تحويل MRI إلى CT، حيث كانت التغيرات في الخطأ المطلق المتوسط (MAE) ضئيلة. ومن المثير للاهتمام، أن ثلاثة من أصل خمسة هياكل تم تقييمها لم تُظهر اختلافات ذات دلالة إحصائية، في حين سجلت هياكل أخرى تحسنات ذات دلالة.

هذا العمل يمهد الطريق لإطار تقييم جديد لتعزيز التعلم الفيدرالي، مما يسهم في تعزيز الخصوصية والمساواة والعدالة في الرعاية الصحية المعتمدة على الذكاء الاصطناعي.