التعلم الفيدرالي المعتمد على الدمج الديناميكي لاكتشاف COVID-19

تحليل الصور الطبية التشخيصية (مثل الأشعة المقطعية أو الأشعة السينية) باستخدام التعلم الآلي هو وسيلة فعالة ودقيقة لاكتشاف إصابات COVID-19. ومع ذلك، عادة ما يحظر تبادل الصور التشخيصية بين المؤسسات الطبية بسبب مخاوف الخصوصية المتعلقة بالمرضى. وهذا يسبب مشكلة عدم توفر مجموعات بيانات كافية لتدريب نموذج تصنيف الصور. يعتبر التعلم الفيدرالي نموذجًا ناشئًا في التعلم الآلي يحافظ على الخصوصية، حيث ينتج نموذجًا عالميًا غير متحيز بناءً على تحديثات النماذج المحلية المستلمة التي تم تدريبها من قبل العملاء دون تبادل بياناتهم المحلية. ومع ذلك، فإن الإعداد الافتراضي للتعلم الفيدرالي يقدم تكلفة اتصالات ضخمة لنقل تحديثات النموذج، ومن الصعب ضمان أداء النموذج عند وجود تباين شديد في البيانات بين العملاء. لتحسين كفاءة الاتصال وأداء النموذج، نقترح في هذه المقالة نهجًا جديدًا يعتمد على الدمج الديناميكي للتعلم الفيدرالي لتحليل الصور الطبية التشخيصية لاكتشاف إصابات COVID-19. أولاً، نصمم بنية لأنظمة التعلم الفيدرالي المعتمدة على الدمج الديناميكي لتحليل الصور الطبية التشخيصية. علاوة على ذلك، نقدم طريقة دمج ديناميكية لتحديد العملاء المشاركين بناءً على أداء نماذجهم المحلية وجدولة دمج النماذج بناءً على وقت تدريب العملاء المشاركين. بالإضافة إلى ذلك، نلخص فئة من مجموعات بيانات الصور الطبية التشخيصية لاكتشاف COVID-19، والتي يمكن استخدامها من قبل مجتمع التعلم الآلي لتحليل الصور. تظهر نتائج التقييم أن النهج المقترح قابل للتطبيق ويؤدي بشكل أفضل من الإعداد الافتراضي للتعلم الفيدرالي من حيث أداء النموذج وكفاءة الاتصال وتحمل الأخطاء.