یادگیری فدرال در تصویربرداری پزشکی: راهکاری برای توسعه مدلهای هوش مصنوعی با حفظ حریم خصوصی، کاهش سوگیری داده و افزایش تعمیمپذیری
یادگیری فدرال در تصویربرداری پزشکی: راهکاری برای توسعه مدلهای هوش مصنوعی با حفظ حریم خصوصی، کاهش سوگیری داده و افزایش تعمیمپذیری
بیتا خیری1 مونا فاضل2
1) دانشجوی کارشناسی ارشد تکنولوژی تصویربرداری پزشکی، گروه رادیولوژی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تبریز، تبریز، ایران.
2) استادیار، گروه رادیولوژی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تبریز، تبریز، ایران.
کد IOI مقاله
:
AAHD-ABKCBK
محل انتشار :
کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
توسعه مدلهای هوش مصنوعی در حوزه تصویربرداری پزشکی با چالشهای بنیادینی همچون محدودیتهای شدید حریم خصوصی بیماران (نظیر قوانین GDPR) و دشواریهای انتقال دادههای حساس روبرو است. این محدودیتها منجر به شکلگیری «سیلوهای داده» شده که دسترسی به مجموعهدادههای بزرگ و متنوع را برای آموزش مدلهای دقیق و تعمیمپذیر دشوار میکند. این مقاله با بررسی راهکار «یادگیری فدرال» به عنوان یک پارادایم نوین در محاسبات توزیعشده، به تحلیل نقش آن در حل این چالشها میپردازد.
در رویکرد یادگیری فدرال، فرآیند آموزش مدل به جای انتقال دادههای خام به یک سرور مرکزی، مستقیماً روی زیرساختهای محلی (مانند بیمارستانها) انجام میشود و تنها پارامترهای بهروزرسانی شده (مانند وزنها یا گرادیانها) با سرور مرکزی به اشتراک گذاشته میشوند. این مقاله علاوه بر تبیین مبانی نظری و معماریهای فنی، به بررسی چالشهای مهمی نظیر ناهمگونی دادهها (Non-IID) و سوگیری ناشی از تغییر دامنه (Domain Shift) میپردازد که میتواند دقت مدلهای هوش مصنوعی را در محیطهای بالینی کاهش دهد. همچنین، نقش الگوریتمهای بهینهسازی پیشرفته مانند FedProx و MOON در مدیریت تنوع اسکنرها و عدم توازن دادهها مورد تحلیل قرار گرفته است. در نهایت، نتایج نشان میدهد که تلفیق یادگیری فدرال با تکنیکهای امنیتی و الگوریتمهای بهینهساز، راهکاری کلیدی برای توسعه مدلهای هوش مصنوعی با قابلیت تعمیمپذیری بالا، کاهش سوگیری و حفظ کامل حریم خصوصی در اکوسیستم دیجیتال سلامت است.
کلمات کلیدی : یادگیری فدرال تصویربرداری پزشکی حفظ حریم خصوصی سوگیری داده تعمیمپذیری مدل الگوریتمهای بهینهسازی