شارك الباحثون في دراسة مبتكرة استهدفت تحسين أداء نموذج BiomedCLIP في تحليل الأشعة السينية باستخدام تقنيات التعلم الفيدرالي (Federated Learning) والتكيف منخفض الرتبة (Low-Rank Adaptation). هذه التقنية تتيح للمؤسسات الطبية تدريب نموذج مشترك دون الحاجة لتبادل البيانات، وهي ميزة أساسية في عالم حماية البيانات الصحية.

التحدي الذي يواجه هذه المؤسسات هو عدم التجانس في البيانات، حيث تختلف الأجهزة والبروتوكولات في كل مؤسسة. لهذا السبب، تم إجراء تجارب على أربعة مجموعات من الأشعة السينية عبر ثلاث قارات (الولايات المتحدة، فيتنام، وإسبانيا) لتحليل فعالية هذه الطريقة.

أظهرت النتائج أن استخدام خوارزمية التعلم الفيدرالي مع التكيف منخفض الرتبة ساهم في رفع قيمة معامل دقة التصنيف (AUC) من 0.687 إلى 0.802، مما يدل على أن التحسين جاء من الفيدرالية وليس من أداء النموذج الأولي. كما أكدت الدراسة أن التعاون بين مؤسسات متعددة يعزز أداء المجموعات الأضعف مع الحفاظ على قوة النموذج في المجموعات الأقوى.

تعتبر هذه النتائج بمثابة ثورة في طريقة تعامل الأنظمة الطبية مع البيانات، حيث يمكن الآن للأبحاث والاستنتاجات أن تتم بفعالية أكبر دون المساس بخصوصية المريض. مع هذه الابتكارات، نصبح أقرب إلى تحسين الخدمات الصحية العالمية من خلال استعمال تقنيات ذكاء اصطناعي متقدمة.