في خطوة رائدة نحو تحسين استخدام الذكاء الاصطناعي في المجالات الطبية، أعلنت مجموعة من الباحثين بقيادة كلاً من تيرتولينو وألينكار عن نتائج دراسة جديدة تلقي الضوء على إمكانية تطبيق التعلم الفيدرالي (Federated Learning) في بيئات رعاية صحية متعددة المراكز ببيانات حقيقية.

تواجه أنظمة التعلم الآلي تحديات كبيرة عند محاولة تطبيق نماذج مبنية على بيانات تم إنشاؤها بشكل صناعي في سيناريوهات الحياة الواقعية. في دراسة سابقة لهم، أظهر الباحثون كيف يمكن للاعتماد على تحسينات تكيفية على الخادم أن تعمل كـ"منقي زمني" لضجيج الخصوصية التفاضلية (Differential Privacy).

الآن، تركز الدراسة الجديدة على سد الفجوة التي تم التعرف عليها، حيث قام الباحثون باستخدام إطار FedCVR لتقييم خمسة مجموعات بيانات قلبية معروفة: فرامنجام وكليفلاند والمجر وسويسرا ومركز لونغ بيتش. تم توحيد هذه البيانات وفقاً لمخطط الأمراض القلبية المعروف بUCI، وتم تكوين سيناريو متنوع، مع استخدام تقنية التحليل المتساوي عبر المواقع.

النتائج كانت مدهشة، حيث أثبت إطار FedCVR أنه يحافظ على ميزته التكيفية عند العمل مع بيانات حقيقية، محققًا درجة F1 بلغت 79.2% ومعدل AUC قدره 0.96 ضمن ميزانية الخصوصية التشغيلية. ولم تفشل النتائج في التميز عن أسلوب التعلم الفيدرالي التقليدي FedAvg، حيث أظهرت البيانات تفوقاً ملحوظاً في جميع المعايير المقيمة.

بالإضافة إلى ذلك، قامت الدراسة بتأكيد نمط انخفاض الخصوصية الملحوظ في التجارب الاصطناعية، مما يوفر دليلاً تجريبياً على جدوى هذا الإطار في بيئات الرعاية الصحية المتعددة.