أحد التحديات الكبيرة التي تواجه مجال الذكاء الاصطناعي في الرعاية الصحية هو كيفية الاستفادة بشكل فعال من الموارد القيمة للبيانات المتناثرة عبر المؤسسات الصحية مع ضمان خصوصية البيانات والامتثال. غالبًا ما تثير نماذج تدريب البيانات المركزية التقليدية، التي تتضمن معالجة البيانات الصحية الخام بشكل مركزي، مخاوف من تسرب الخصوصية. بينما يمكن أن تحقق التعلم الفيدرالي (Federated Learning, FL) هدف "الاحتفاظ بالبيانات محليًا، وتحسين النموذج بشكل تعاوني"، إلا أن هناك نقصًا في مصداقية عملية التدريب وتقييم مساهمة الأطراف المشاركة.

لحل هذه المشاكل، ظهرت حل مبتكر يجمع بين تقنية البلوكشين. يقوم هذا الحل ببناء إطار تدريب تعاوني موثوق من خلال "تسجيل عقد التعلم الفيدرالي على السلسلة + توثيق تجزئة معلمات النموذج". تشمل الميزات الأساسية لهذا الإطار:

1. تأكيد هوية العقدة على السلسلة في التعلم الفيدرالي: تحتاج المؤسسات الطبية المشاركة في التدريب إلى التسجيل على البلوك تشين، وتقديم مؤهلات مؤسساتها، وأنواع البيانات، وغيرها من المعلومات الأساسية، والحصول على معرف عقدة فريد، مما يضمن تتبع هوية الأطراف المشاركة.

2. توثيق معلمات التدريب على السلسلة في الوقت الحقيقي: خلال كل عملية تكرار تعلم فيدرالي، يتم تحميل معلمات النموذج المحلي التي تم إنشاؤها بواسطة كل عقدة (مثل أوزان الشبكة العصبية، قيمة دالة الخسارة، إلخ) إلى البلوكشين بعد معالجتها بواسطة دالة تجزئة. هذا لا يمنع فقط مخاطر تعديل أو استبدال المعلمات، بل يضمن أيضًا بقاء البيانات الطبية الأصلية دائمًا في المؤسسات الطبية المحلية، مما يتوافق مع متطلبات حماية الخصوصية الصارمة.

3. آلية حساب مساهمة الأتمتة: استنادًا إلى مقدار تحديث المعلمات المسجلة على السلسلة وحجم بيانات التدريب، يمكن للعقد الذكي حساب وزن مساهمة كل عقدة مشاركة تلقائيًا، وتوزيع عائدات النموذج المستقبلية التجارية وفقًا لنسبة محددة مسبقًا، مما يحل بشكل فعال مشكلة "صعوبة قياس المساهمة" في التعلم الفيدرالي التقليدي.

لقد أظهرت هذه الخطة المبتكرة نتائج ملحوظة في التطبيق العملي. على سبيل المثال، في تحالف يتكون من عدة مستشفيات من الدرجة الأولى، حقق تدريب نموذج الذكاء الاصطناعي للكشف عن سرطان الرئة الذي تم تطويره استنادًا إلى هذا الإطار نتائج بارزة: في غضون 3 أشهر، أكملت 5 مستشفيات كعقدة للتعلم الفيدرالي تدريب 100,000 حالة بيانات CT، ووصلت دقة النموذج النهائي إلى 93.2%، مما يمثل زيادة بمقدار 4.5 نقطة مئوية مقارنة بأساليب التدريب المركزية التقليدية. والأهم من ذلك، نظرًا لعدم الحاجة إلى معالجة البيانات الأصلية بشكل مركزي، فإن فترة مراجعة الامتثال للمشروع بأكمله قد انخفضت بشكل كبير من شهرين إلى 15 يومًا، بينما انخفضت النزاعات بين المؤسسات المشاركة بشأن تقسيم الأرباح إلى الصفر.

تقدم هذه الخطة المبتكرة التي تجمع بين تقنية البلوك تشين والتعلم الفيدرالي، حماية فعالة لخصوصية المرضى، وتضمن الامتثال لاستخدام البيانات، كما تعزز بشكل كبير كفاءة وأداء تدريب نماذج الذكاء الاصطناعي. إنها توفر حلاً قابلاً للتطبيق وفعالاً لمشكلة جزر البيانات وتحديات حماية الخصوصية في مجال الذكاء الاصطناعي الطبي، ومن المتوقع أن تدفع بتقنية الذكاء الاصطناعي الطبي نحو التطور السريع والتطبيق الواسع، مما يسهم في تحسين جودة وكفاءة خدمات الرعاية الصحية.