في عصر تتزايد فيه أهمية تقنيات التعلم الفيدرالي في مجال التطبيقات الطبية، يبرز نموذج OCT-FedSIR كأحد الحلول الرائدة في تصنيف الصور العينية تحت ظروف متغيرة من الضوضاء التفسيرية. يعتمد هذا النموذج على فكرة أساسية: توفير بيئة تعاونية لتطوير النماذج دون الحاجة لتجميع البيانات الحساسة للمرضى في مركز واحد، مما يحافظ على الخصوصية.

يواجه الباحثون تحديات كبيرة في دقة التصنيف بسبب عدم موثوقية التفسيرات المتاحة في المؤسسات المختلفة، حيث يمكن أن تتنوع ظروف انتشار الأمراض وتركيب الفئات بشكل كبير، مما يؤدي إلى أخطاء في التصنيف. لذلك، يقدم OCT-FedSIR إطار عمل موثوق يعتمد على الاستيفاء الطيفي المتوازن، وتعديل اللوجيستيات في المراحل المبكرة، ووصف الطيف التكميلي، وإعادة تصنيف الطيف الانتقائي، وتحسين الفيدرالية المتعمدة على الضوضاء.

تظهر الاختبارات التي أجريت على مجموعة بيانات Kermany، وجامعة إلينوي في شيكاغو، وWake Forest قدرة النظام على تحقيق دقة متوسطة بلغت 86.73%، متفوقًا على أنظمة أخرى مثل RoFL وFedCorr.

كما أظهر نموذج OCT-FedSIR قدرة على التمييز بين العملاء الذين لديهم تفسيرات أصلية وأخرى مصابة بالأخطاء، مما يتيح لهم الحفاظ على البيانات الهامة وعدم الاستغناء عنها. وقد حقق النموذج معدل دقة تصحيح بلغ 91.3% مع معدل تصحيح خاطئ قدره 3.5%. هذه النتائج تعزز فكرة أنه يمكن تحديد وتصحيح الضوضاء التفسيرية بالفعل دون فقدان معلومات قيمة.

في الختام، يُعَدّ نمط التعلم الفيدرالي المدعوم بـ OCT-FedSIR خطوة مهمة نحو تعزيز موثوقية نماذج الذكاء الاصطناعي في التطبيقات الطبية، مما يمنح الأطباء والأبحاث أملًا جديدًا في تحسين جودة الرعاية الصحية.