في عالم الذكاء الاصطناعي، تتزايد الحاجة إلى تطوير أنظمة قادرة على معالجة بيانات معقدة من عدة مؤسسات صحية. قدمت الدراسة الأخيرة تحت عنوان "تحدي فيدسيرج" (FedSurg Challenge) خطوة رائدة نحو تحقيق هذا الهدف من خلال استخدام التعلم الفيدرالي (Federated Learning) في مجال رؤية الجراحة.

يعتمد تطوير أنظمة الذكاء الاصطناعي الجراحي الفعالة على توفر بيانات متنوعة، ولكن القيود المتعلقة بخصوصية المرضى غالباً ما تعيق تبادل البيانات بشكل مباشر. لذلك، يعد التعلم الفيدرالي الحل المثالي لهذه التحديات، حيث يتمكن المشاركون من الاستفادة من البيانات دون الحاجة إلى نقلها بشكل مركزي.

قام فريق البحث بتطبيق هذه التقنية على مجموعة بيانات متعددة المراكز تتعلق بإجراء جراحة الزائدة الدودية بالمنظار، وكانت النتائج مدهشة. تمت مراجعة ثلاثة من الاقتراحات بناءً على قدرتها على التكيف مع مراكز جديدة لم يتم التدريب عليها. أظهرت البيانات أنه حتى عند تجميع جميع البيانات في مركز واحد، لم تتجاوز دقة النتائج 26.31% وفقاً لمقياس F1، مما يعكس صعوبة المهمة.

تظهر النتائج أيضاً أن النماذج الزمنية المكانية تكون أكثر فاعلية، حيث تفوقت النماذج التي تأخذ في الاعتبار حركة الفيديو على تلك التي تعتمد على إطار ثابت. كما كشفت التجارب أن التعديلات المحلية السطحية قد تؤدي إلى انهيار المصنفات عند التعامل مع بيانات محلية غير متوازنة، مما يجعل التعلم الفيدرالي المهيكل مع تحسين فعالية المعلمات المنهجية الخيار الأفضل للتكيف مع الخصائص المحددة لكل مركز.

تساعد هذه الدراسة في تحديد العوائق الحالية للتعلم الفيدرالي من خلال التحليل الإحصائي الدقيق، مما يوفر مرجعاً منهجياً لنظم الذكاء الاصطناعي القوية التي تحافظ على الخصوصية في تحليل الفيديو الجراحي. ماذا عن رأيكم بهذا التطور المذهل؟ شاركونا في التعليقات!