في عصر تعتمد فيه الرعاية الصحية الحديثة بشكل أساسي على نماذج التعلم العميق، تبرز الحاجة الملحة لحذف البيانات الحساسة بالشكل الأمثل. يتطلب قانون "الحق في النسيان"، الذي تطبقه لوائح الخصوصية مثل GDPR وHIPAA، التقنيات الفعالة لحذف البيانات، وهو ما يعاني منه العديد من الباحثين حالياً.

ومع تزايد استخدام البيانات، تتعرّض نماذج الحذف الآلي (Machine Unlearning) لتحديات كبيرة تتمثل في "ثلاثية الخصوصية والفاعلية والفائدة" (Privacy-Efficiency-Utility)، خاصة في السيناريوهات الطبية التي تتميز غالبًا بعدم التوازن الكبير بين الفئات. تجعل هذه التحديات تقنيات الحذف التقليدية غير فعالة، حيث قد تُحذف ميزات أساسية لتشخيص الحالات النادرة بسبب هيمنة تدرجات الفئات الأكثر شيوعًا.

هنا يأتي دور GRIN+، وهو إطار مبتكر يهدف إلى التعامل مع بيانات طبية غير متوازنة. يقوم GRIN+ بتحليل مساهمات التدرجات لكل من مجموعتي "الحذف" و"الاحتفاظ" في نماذج تعلم الآلة. ويتضمن آلية تصنيف مؤثرات متجاوبة مع الفئات، مما يساعد على تصحيح هيمنة الفئات الأكثر شيوعًا.

تُظهر النتائج التجريبية على مجموعة متنوعة من البيانات الطبية، مثل سرطان الجلد (ISIC) والأورام الدماغية (MRI) وسونار الثدي (BUSI)، أن GRIN+ يحقق توازنًا مثاليًا بين هذه الثلاثية. يتميز الإطار ليس فقط بالحفاظ على دقة تشخيص عالية وخصوصية متينة، ولكن أيضًا بتحسين ملحوظ في كفاءة وقت التشغيل مقارنة بالأساليب الموجودة.

فإذا كنت مهتمًا ببحثك الخاص في هذا المجال، يمكنك الوصول إلى الكود المفتوح المصدر الخاص بـ GRIN+ وهو متاح لدعم المزيد من الأبحاث.