DOI: https://doi.org/10.3389/frai.2026.1754000
PMID: https://pubmed.ncbi.nlm.nih.gov/41982753
تاريخ النشر: 2026-03-30
المؤلف: K. Lakshmi Vasanthi وآخرون
الموضوع الرئيسي: التقنيات التي تحافظ على الخصوصية في البيانات
نظرة عامة
تقدم البحث إطار عمل للتعلم الفيدرالي يهدف إلى تحسين تصنيف أورام الدماغ المستند إلى التصوير بالرنين المغناطيسي مع معالجة التحديات الحرجة المتعلقة بالخصوصية والاتصالات المرتبطة بالأساليب المركزية التقليدية. من خلال استخدام آلية تخطي الطبقات، يقلل الإطار بشكل كبير من تكاليف الاتصال أثناء تدريب النموذج، بينما تعمل طريقة تجميع FedPropSAG على تحسين التقارب والأداء العام للنموذج. يضمن دمج تقنيات الخصوصية التفاضلية (DP) والتجميع الآمن (SA) أن تظل البيانات الطبية الحساسة محمية طوال عملية التعلم التعاوني.
تشير النتائج التجريبية إلى أن النموذج المقترح يحقق دقة تصنيف عالية عبر مجموعات بيانات موزعة، مما يتعامل بفعالية مع توزيعات البيانات غير المستقلة والمتطابقة (non-IID) التي تواجه عادة في السيناريوهات الطبية الواقعية. من الجدير بالذكر أن دمج تقنيات الحفاظ على الخصوصية لا يضر بأداء النموذج. يقدم هذا الإطار حلاً قابلاً للتوسع وفعالاً لتحليل البيانات الطبية الموزعة، مما يجعله مناسبًا للنشر العملي في أنظمة الرعاية الصحية مع الحفاظ على توازن بين الدقة والكفاءة وخصوصية بيانات المرضى. تؤكد النتائج على إمكانيات هذا النهج في تعزيز أنظمة الذكاء الاصطناعي الطبية.
مقدمة
تتناول مقدمة هذه الورقة البحثية التحدي الحرج لتجزئة أورام الدماغ من صور الرنين المغناطيسي، مع التأكيد على أهمية الكشف المبكر وتخطيط العلاج في التشخيص الطبي. تعتمد طرق التعلم العميق التقليدية عادةً على مجموعات بيانات مركزية كبيرة، والتي تعيقها اللوائح المتعلقة بالخصوصية مثل HIPAA وGDPR التي تمنع تبادل بيانات المرضى الحساسة. للتغلب على هذه القيود، تقترح الورقة إطار عمل شامل للتعلم الفيدرالي متعدد الأهداف (FL) يمكّن المستشفيات من تدريب النماذج بشكل تعاوني دون تبادل البيانات الخام، مما يحافظ على خصوصية المرضى.
يتكامل الإطار المقترح مع ثلاثة مكونات رئيسية: (1) **تخطي الطبقات**، الذي يقلل من تكاليف الاتصال عن طريق تجميد بعض الطبقات أثناء التدريب؛ (2) **FedPropSAG (تجميع النموذج الدلالي)**، وهو آلية تتماشى مع تمثيلات الميزات الدلالية عبر العملاء بدلاً من الاعتماد على التدرجات الخام؛ و(3) استراتيجية **الخصوصية التفاضلية الهجينة (DP) والتجميع الآمن (SA)** التي تعزز حماية الخصوصية من خلال اضطراب الضوضاء والتشفير. يتم توجيه تحسين هذه المكونات بواسطة NSGA-II، بهدف تحقيق أقصى أداء في التصنيف مع تقليل تكاليف الاتصال ومخاطر الخصوصية. تظهر النتائج التجريبية تحسينات كبيرة في استقرار النموذج وكفاءته ومرونة الخصوصية، مما يمثل تقدمًا ملحوظًا في الذكاء الاصطناعي الطبي التعاوني لتشخيص أورام الدماغ المستندة إلى التصوير بالرنين المغناطيسي. تكمن حداثة الدراسة في نهجها الموحد لدمج التدريب المدرك للكفاءة، ومحاذاة النموذج الدلالي، والدفاعات الهجينة للخصوصية في بنية تعلم فيدرالية واحدة، مما يعالج تعقيدات البيانات الطبية غير المستقلة والمتطابقة بطريقة عملية ومؤثرة.
طرق
يجمع الإطار المقترح لنظام التعلم الفيدرالي بين ثلاثة مكونات رئيسية لمعالجة الكفاءة والخصوصية والتباين بشكل فعال من خلال نهج تحسين متعدد الأهداف. يتم هيكلة المنهجية حول أربعة عناصر أساسية:
1. **التدريب المحلي مع تخطي الطبقات**: تقلل هذه التقنية من متطلبات الاتصال من خلال السماح بتخطي بعض طبقات النموذج أثناء التدريب المحلي، مما يقلل من كمية البيانات المرسلة.
2. **تجميع النموذج الدلالي FedPropSAG**: تم تصميم هذه المكون لإدارة تباين البيانات غير المستقلة والمتطابقة (non-IID)، مما يضمن أن النموذج يمكنه التعلم بفعالية من توزيعات البيانات المتنوعة.
3. **الخصوصية التفاضلية الهجينة والتجميع الآمن**: يضمن ذلك حماية سرية كاملة طوال عمليات النظام، مما يحمي بيانات المستخدم من الانتهاكات المحتملة.
4. **تحسين متعدد الأهداف القائم على NSGA-II**: يهدف هذا الأسلوب إلى تحقيق توازن بين الدقة وحماية الخصوصية وتكاليف الاتصال، مما يؤدي إلى أداء مثالي عبر هذه الأهداف المتعارضة.
تصميم الإطار المنظم لا يعزز فقط فهم مكوناته ولكنه يمنع أيضًا تكرار المحتوى عبر أقسام مختلفة، مما يحسن الوضوح والترابط في التنفيذ.
نتائج
في قسم النتائج، تشير النتائج إلى أن التدريب المركزي لنموذج ResNet50 يتفوق على النماذج الأخرى، كما يتضح من البيانات المقدمة في الجدول 1 والمصورة في الشكل 2. تشير مقاييس الأداء إلى أن ResNet50 يحقق أعلى دقة وكفاءة بين النماذج التي تم تقييمها. تؤكد هذه التفوق في الأداء فعالية النهج المركزي في تعزيز قدرات النموذج. قد توفر التحليلات الإضافية للنتائج رؤى حول العوامل المحددة التي تساهم في نجاح ResNet50 في هذا السياق.
مناقشة
تسلط قسم المناقشة في الورقة الضوء على التقدم الكبير في تحليل الصور الطبية، خاصة في سياق تشخيص أورام الدماغ باستخدام صور الرنين المغناطيسي. لقد حسنت دمج طرق التعلم العميق (DL)، وخاصة الشبكات العصبية التلافيفية (CNNs) مثل ResNet50 وEfficientNet وDenseNet، بشكل ملحوظ من دقة الكشف عن الأورام وتصنيفها. لقد تحولت الابتكارات الحديثة نحو الهياكل المعتمدة على المحولات، كما يتضح من Swin Transformer وConvNeXt، التي أظهرت أداءً متفوقًا في التعرف على أورام الدماغ وتجزئتها. علاوة على ذلك، أصبحت ظهور التعلم الفيدرالي (FL) نقطة محورية في أبحاث الذكاء الاصطناعي الطبي، مما يسمح للعديد من المؤسسات بتدريب النماذج بشكل تعاوني مع الحفاظ على خصوصية المرضى، كما يتضح من أعمال Sheller وآخرون (2020) وHatamizadeh وآخرون (2022).
تتناول الورقة أيضًا تحديات تباين مجموعات البيانات والحاجة إلى آليات فعالة للحفاظ على الخصوصية في الإعدادات الفيدرالية. تؤكد على ضرورة وجود إطار عمل شامل للتعلم الفيدرالي الذي يحسن أداء التصنيف وكفاءة الاتصال وحماية الخصوصية. يهدف إطار FedPropSAG المقترح، الذي يستخدم تخطي الطبقات وآلية الخصوصية التفاضلية الهجينة (DP) + التجميع الآمن (SA)، إلى تعزيز قوة وكفاءة تصنيف أورام الدماغ المستندة إلى التصوير بالرنين المغناطيسي. تؤكد المناقشة على أهمية دمج البيانات متعددة الأنماط، مثل المعلومات الجينومية والسريرية، لتحسين دقة التشخيص مع التنقل عبر تعقيدات توحيد البيانات ومخاوف الخصوصية. بشكل عام، يكشف تجميع الأدبيات الحالية عن كل من الإمكانيات والتحديات المستمرة في نشر أنظمة التعلم الفيدرالي في الممارسة السريرية، داعيًا إلى مزيد من البحث لتحسين هذه المنهجيات ومعالجة التبادلات الكامنة بين الخصوصية وأداء النموذج.
القيود
تستند قيود الإطار المقترح للتعلم الفيدرالي في بيئة متعددة المؤسسات بشكل أساسي إلى اعتماده على مجموعة بيانات واحدة متاحة للجمهور من صور الرنين المغناطيسي، والتي تم تقسيمها بشكل مصطنع بين العملاء. بينما يتيح هذا الإعداد محاكاة التباين الإحصائي من خلال تقسيم Dirichlet غير المستقل والمتطابق، إلا أنه يفشل في التقاط تعقيدات التباين في البيانات الواقعية التي تواجهها المستشفيات المختلفة. تساهم عوامل مثل اختلافات بائعي الماسحات، وقوى المجال المغناطيسي (1.5 T مقابل 3 T)، وبروتوكولات اكتساب الصور المتنوعة (T1، T2، FLAIR)، وخصائص المرضى في تحويلات المجال التي يمكن أن تؤثر بشكل كبير على توزيعات الميزات، مما قد يهدد التقارب العالمي ومحاذاة النماذج.
علاوة على ذلك، لا يأخذ الإطار في الاعتبار الفروقات في ممارسات ومعايير التسمية المؤسسية، مما قد يؤدي إلى عدم اتساق في تدريب النموذج وأدائه. يحد غياب التعاون الحقيقي بين المراكز ومجموعات البيانات الخارجية للتحقق في التجارب من قابلية تعميم النتائج. تصميم الدراسة، الذي شمل خمسة عملاء محاكين فقط وثمانية جولات اتصال، لا يعكس القابلية للتوسع والصلابة المطلوبة للتطبيقات الصحية العملية، حيث تشمل الأنظمة الفيدرالية عادةً عشرات أو مئات العملاء. وبالتالي، فإن المزيد من البحث ضروري للتحقق من الإطار باستخدام مجموعات بيانات سريرية متنوعة تم جمعها بشكل استباقي واستكشاف القابلية للتوسع، والصلابة تجاه انسحاب العملاء، وكفاءة الاتصال قبل النظر في النشر السريري. يجب أن يُنظر إلى هذا العمل كدليل على المفهوم بدلاً من تحقق سريري شامل متعدد المراكز.
DOI: https://doi.org/10.3389/frai.2026.1754000
PMID: https://pubmed.ncbi.nlm.nih.gov/41982753
Publication Date: 2026-03-30
Author(s): K. Lakshmi Vasanthi et al.
Primary Topic: Privacy-Preserving Technologies in Data
Overview
The research presents a federated learning framework aimed at enhancing MRI-based brain tumor classification while addressing critical privacy and communication challenges associated with traditional centralized approaches. By employing a layer skipping mechanism, the framework significantly reduces communication costs during model training, while the FedPropSAG aggregation method improves convergence and overall model performance. The integration of Differential Privacy (DP) and Secure Aggregation (SA) techniques ensures that sensitive medical data remains protected throughout the collaborative learning process.
Experimental results indicate that the proposed model achieves high classification accuracy across distributed datasets, effectively handling non-IID data distributions commonly encountered in real-world medical scenarios. Notably, the incorporation of privacy-preserving techniques does not compromise model performance. This framework offers a scalable and efficient solution for distributed medical data analysis, making it suitable for practical deployment in healthcare systems while maintaining a balance between accuracy, efficiency, and patient data privacy. The findings underscore the potential of this approach in advancing medical artificial intelligence systems.
Introduction
The introduction of this research paper addresses the critical challenge of brain tumor segmentation from MRI scans, emphasizing the importance of early detection and treatment planning in medical diagnostics. Traditional deep learning methods typically rely on large, centralized datasets, which are hindered by privacy regulations such as HIPAA and GDPR that prevent the sharing of sensitive patient data. To overcome these limitations, the paper proposes a comprehensive multi-objective Federated Learning (FL) framework that enables hospitals to collaboratively train models without exchanging raw data, thereby preserving patient privacy.
The proposed framework integrates three key components: (1) **Layer skipping**, which reduces communication costs by freezing certain layers during training; (2) **FedPropSAG (Prototype Semantic Aggregation)**, a mechanism that aligns semantic feature representations across clients instead of relying on raw gradients; and (3) a **hybrid Differential Privacy (DP) and Secure Aggregation (SA)** strategy that enhances privacy protection through noise perturbation and encryption. The optimization of these components is guided by NSGA-II, aiming to maximize classification performance while minimizing communication overhead and privacy risks. Experimental results demonstrate significant improvements in model stability, efficiency, and privacy resilience, marking a notable advancement in collaborative medical AI for MRI-based brain tumor diagnosis. The study’s novelty lies in its unified approach to integrating efficiency-aware training, semantic prototype alignment, and hybrid privacy defenses into a single federated learning architecture, thereby addressing the complexities of non-IID medical data in a practical and impactful manner.
Methods
The proposed framework for the federated learning system integrates three key components to effectively address efficiency, privacy, and heterogeneity through a multi-objective optimization approach. The methodology is structured around four core elements:
1. **Layer-skipped Local Training**: This technique minimizes communication requirements by allowing certain layers of the model to be skipped during local training, thereby reducing the amount of data transmitted.
2. **FedPropSAG Semantic Prototype Aggregation**: This component is designed to manage non-IID (Independent and Identically Distributed) data heterogeneity, ensuring that the model can effectively learn from diverse data distributions.
3. **Hybrid Differential Privacy and Secure Aggregation**: This ensures complete confidentiality protection throughout the system’s operations, safeguarding user data against potential breaches.
4. **NSGA-II-based Multi-objective Optimization**: This optimization method aims to balance accuracy, privacy protection, and communication costs, leading to optimal performance across these conflicting goals.
The structured design of the framework not only enhances the understanding of its components but also prevents content duplication across different sections, thereby improving clarity and coherence in implementation.
Results
In the results section, the findings indicate that the centralized training of the ResNet50 model outperforms other models, as evidenced by the data presented in Table 1 and visualized in Figure 2. The performance metrics suggest that ResNet50 achieves the highest accuracy and efficiency among the models evaluated. This superiority in performance underscores the effectiveness of the centralized training approach in enhancing model capabilities. Further analysis of the results may provide insights into the specific factors contributing to ResNet50’s success in this context.
Discussion
The discussion section of the paper highlights significant advancements in medical image analysis, particularly in the context of brain tumor diagnosis using MRI scans. The integration of deep learning (DL) methods, especially convolutional neural networks (CNNs) such as ResNet50, EfficientNet, and DenseNet, has markedly improved the precision of tumor detection and classification. Recent innovations have shifted towards transformer-based architectures, exemplified by the Swin Transformer and ConvNeXt, which have demonstrated superior performance in recognizing and segmenting brain tumors. Furthermore, the emergence of Federated Learning (FL) has become a focal point in medical AI research, allowing multiple institutions to collaboratively train models while preserving patient privacy, as evidenced by the work of Sheller et al. (2020) and Hatamizadeh et al. (2022).
The paper also addresses the challenges of dataset heterogeneity and the need for effective privacy-preserving mechanisms in federated settings. It emphasizes the necessity for a holistic FL framework that optimizes classification performance, communication efficiency, and privacy protection. The proposed FedPropSAG framework, which utilizes layer skipping and a hybrid Differential Privacy (DP) + Secure Aggregation (SA) mechanism, aims to enhance the robustness and efficiency of MRI-based brain tumor classification. The discussion underscores the importance of combining multimodal data, such as genomic and clinical information, to improve diagnostic accuracy while navigating the complexities of data harmonization and privacy concerns. Overall, the synthesis of existing literature reveals both the potential and the ongoing challenges in deploying federated learning systems in clinical practice, advocating for further research to refine these methodologies and address the inherent trade-offs between privacy and model performance.
Limitations
The limitations of the proposed framework for federated learning in a multi-institutional environment are primarily rooted in its reliance on a single publicly available MRI dataset, which was artificially partitioned among clients. While this setup enables the simulation of statistical heterogeneity through non-IID Dirichlet partitioning, it fails to fully capture the complexities of real-world data variations encountered across different hospitals. Factors such as scanner vendor differences, magnetic field strengths (1.5 T vs. 3 T), diverse image acquisition protocols (T1, T2, FLAIR), and patient demographics contribute to domain shifts that can significantly affect feature distributions, potentially compromising global convergence and prototype alignment.
Moreover, the framework does not account for the discrepancies in institutional labeling practices and standards, which may lead to inconsistencies in model training and performance. The absence of real multicenter collaboration and external validation datasets in the experiments limits the generalizability of the findings. The study’s design, which involved only five simulated clients and eight communication rounds, does not reflect the scalability and robustness required for practical healthcare applications, where federated systems typically involve dozens or hundreds of clients. Consequently, further research is essential to validate the framework using diverse, prospectively collected clinical datasets and to explore scalability, robustness to client dropout, and communication efficiency before considering clinical deployment. This work should be viewed as a proof-of-concept rather than a comprehensive multicenter clinical validation.