في عالم الرعاية الصحية، يعد الجمع بين تقييم الصور الطبية (Medical Imaging) والسجلات المرضية (Patient Records) خطوة أساسية في التشخيص الدقيق. ومع ذلك، تواجه الأساليب التقليدية للتعلم الآلي (Machine Learning) تحديات كبيرة في تحليل هذه الأنواع من البيانات بشكل مشترك. هنا يأتي دور نموذج OmniMed-FL، الذي يقدم إطار عمل متين للتعلم الفيدرالي المتعدد الوسائط (Multimodal Federated Learning) لتصنيف الخمس حالات السريرية: (Normal) (طبيعي)، و(Pneumonia) (ذات الرئة)، و(COVID-19)، و(Pleural Effusion) (انصباب الجنبة)، و(Cardiomegaly) (تضخم القلب).

يرتكز هذا النموذج على مجموعة بيانات تتكون من 3000 صورة أشعة صدرية عامة مرتبطة بألف ملاحظة صناعية، مما يعزز إمكانية مقارنة الأداء دون الانتهاك لأي خصوصية للمريض. تم تصميم البحث لتسليط الضوء على ثمانية استراتيجيات دمج (Fusion Strategies) وتقييم عدد من قواعد ملء النصوص الناقصة (Missing-text Imputation Rules) تحت أنواع معينة من تجزئة البيانات.

بالرغم من أن النتائج كانت في إطار قيود معينة، إلا أن أداء نموذج FedProx بلغ 0.737، مما يوضح فعالية دمج البيانات المتعددة الوسائط مقارنةً بالنصوص والصور بشكل منفصل. هذه النتائج تشير إلى إمكانيات هائلة لتطبيق هذا النموذج في بيئات الرعاية الصحية الحقيقية، مما يسهم في تحسين دقة التشخيصات وتعزيز الأمان وحماية البيانات الحساسة.