تعتبر دقة تحديد موقع الجسم الثفني (Corpus Callosum) في صور السونار الجنيني أمرًا بالغ الأهمية من أجل التعرف المبكر على الاضطرابات العصبية. لكن تواجه هذه المهمة تحديات كبيرة بسبب القيود الأصلية لتصوير السونار، مثل انخفاض التباين، والضوضاء البقعية، والتنوع التشريحي الكبير للجسم الثفني. هنا يأتي دور النموذج الجديد 'FedCC'، الذي يقدم إطار عمل يعتمد على التعلم الفيدرالي (Federated Learning) لتحديد موقع الجسم الثفني بدقة في صور السونار الجنيني.

تم تصميم FedCC خصيصًا ليعمل في بيئات سريرية متعددة المراكز وموارد محدودة، دون الحاجة لمشاركة البيانات. يعتمد النموذج على بنية أساسية مجمدة من DINOv2 مع رأس كشف خفيف مستند إلى YOLO. ولتمكين تخصيص فعّال للمعلمات، تمت إضافة وحدات التكيف ذات الرانك المنخفض (Low-Rank Adaptation - LoRA)، مما يجعل من الممكن تحسين جزء صغير فقط من المعلمات وتبادلها بين المستخدمين.

تم تقييم مدى فعالية هذا الإطار عبر مجموعة بيانات متعددة المراكز تضم 10,970 إطار سونار تم الحصول عليها من 58 سيدة حامل خلال الفحوصات الروتينية عبر ثلاثة مواقع عيادية باستخدام أجهزة تصوير متنوعة.

أسفرت النتائج عن أداء قوي في الإعداد الفيدرالي، حيث حققت مجموعة DINOv2 وLoRA تحت استراتيجية FedAvg متوسط mAP@50 بلغ 0.857 ومعدل F1 قد بلغ 0.803، متفوقة بذلك على طرق ضبط كاملة وتجميد تشفير. والجدير بالذكر أن الاقتراب المقترح قلل من عدد المعلمات القابلة للتدريب إلى 2.9 مليون مقارنة بـ 24.4 مليون في عملية الضبط الكاملة، مما أدى إلى خفض تكاليف التواصل بنسبة تقارب 8.5 أضعاف.

تمثل هذه النتائج خطوة واعدة نحو أنظمة الذكاء الاصطناعي القابلة للتوسع والآمنة لأي استخدام سريري، وبالتالي تسهم في تحسين دقة الفحوصات السونارية للجنين.