في العصر الحديث، تُعد البيانات الصحية الحساسة من أبرز القضايا التي تواجه المؤسسات الطبية والباحثين، لذا جاء تعلم الفيدرالي (Federated Learning) كحل واعد لتلك التحديات.

تتحدث الدراسات الجديدة عن إمكانيات هذا النوع من التعلم في تطوير نماذج دقيقة لتنبؤ تقدم الأورام لدى مرضى سرطان الثدي. تتناول الدراسة أربع ركائز أساسية: الشفافية، القابلية للتوسع، الأمان، والعدالة، لتحقيق نتائج فعّالة.

تستخدم الدراسة إطارًا يعتمد على بيانات متعددة الوسائط، تشمل معلومات سريرية وخصائص الأورام وبيانات مؤشرات حيوية، بالإضافة إلى بيانات التصوير الطبي مثل تصوير الرنين المغناطيسي (MRI). يتسم هذا النهج بأنه يتيح تحليل تغييرات خصائص الأورام على مر الزمن دون الحاجة إلى تجميع البيانات المركزية، مما يحافظ على خصوصية المرضى.

كما تم تقييم أداء النموذج الفيدرالي بالمقارنة مع نموذج مركزي يعتمد على بيانات مجمعة، مما يُظهر أن التعلم الفيدرالي قادر على تحقيق أداء تنبؤي مشابه لنماذج البيانات المركزية، مع الاحتفاظ بموقع البيانات.

تسلط النتائج الضوء على إمكانية تطبيق النماذج متعددة الوسائط في المستقبل، مما يدعم مجالات مثل التوائم الرقمية لمساعدة الأطباء والمرضى في خطط العلاج الشخصية.