DOI: https://doi.org/10.1038/s41598-026-40581-9
PMID: https://pubmed.ncbi.nlm.nih.gov/41708843
تاريخ النشر: 2026-02-18
المؤلف: Muhammad Zeerak Awan وآخرون
الموضوع الرئيسي: التصوير الرقمي لأمراض الدم
نظرة عامة
تقدم هذه البحث إطار عمل خفيف الوزن وآمن وقابل للتفسير للتعلم الفيدرالي مصمم للتصنيف التلقائي لسرطان الدم. يتناول الإطار القضايا الحرجة المتعلقة بأمان البيانات السريرية وتطوير النماذج التعاونية بين مؤسسات الرعاية الصحية. من خلال استخدام نهج التعلم الموزع، يمكن للعديد من المرافق الصحية بناء نموذج تصنيف عالي الأداء بشكل تعاوني دون مشاركة بيانات المرضى الحساسة، مما يضمن خصوصية البيانات وقابلية التكرار. يستخدم الإطار شبكة عصبية تلافيفية معززة بالانتباه (CNN) لتصنيف خلايا سرطان الدم إلى أربع فئات: حميدة، مبكرة، ما قبل سرطان الدم، وسرطان الدم المتقدم، محققًا دقة اختبار تبلغ 95.70% مع ثلاثة عملاء و96.56% مع خمسة عملاء باستخدام طريقة التجميع الموزون.
في الختام، تؤكد الدراسة على تطوير إطار عمل للتعلم الفيدرالي يمكّن التدريب المشترك الآمن لشبكات CNN لتصنيف سرطان الدم عبر مؤسسات طبية متعددة. يظهر الإطار موثوقية سريرية قوية وقابلية للاستخدام، مما يعالج بشكل فعال احتياجات التصنيف في البيئات السريرية. ومع ذلك، يواجه تحديات تتعلق بتكاليف الاتصال ومشكلات الأداء المحتملة بسبب عدم التوازن في الفئات الفرعية لسرطان الدم الممثلة بشكل غير كاف. يجب أن تركز الأعمال المستقبلية على تعزيز كفاءة الاتصال ضمن الشبكات الأكبر وتحسين قابلية الاستخدام من خلال تقنيات زيادة العينة الاصطناعية وتعاون الأطباء، مما يوسع تطبيقه في التصوير الطبي ويعزز تطوير أنظمة الذكاء الاصطناعي التي تحافظ على الخصوصية في التشخيص.
مقدمة
لقد تقدم دمج الذكاء الاصطناعي (AI) في التصوير الطبي بشكل كبير، خاصة في تشخيص السرطانات الدموية المعقدة مثل سرطان الدم. تعكس هذه التطورات اتجاهًا أوسع لدمج التكنولوجيا الرقمية في الرعاية الصحية، مما زاد من الطلب على طرق آلية وموثوقة وفعالة لتصنيف الصور ومعالجة البيانات الطبية. على الرغم من هذه التقدمات، تواجه أساليب التعلم الآلي المركزية تحديات مستمرة تتعلق بمخاوف الخصوصية، خاصة فيما يتعلق بحساسية بيانات المرضى والمعلومات.
الطرق
تناقش هذه القسم قيود الأساليب الحالية المعتمدة على CNN لتصنيف سرطان الدم، مع التأكيد على نقص أطر التعلم الفيدرالي المصممة لهذا الغرض، مما يحد من قابلية التوسع عبر المؤسسات. بينما هناك إمكانيات موثقة للتعاون من خلال التعلم الفيدرالي في التصوير التشخيصي، غالبًا ما تفتقر النماذج الحالية إلى هياكل خفيفة الوزن مع آليات انتباه يمكن أن تلتقط بفعالية الميزات الدموية الدقيقة الضرورية للتشخيص الدقيق.
علاوة على ذلك، يبرز البحث استخدام تقنيات الحفاظ على الخصوصية مثل التشفير المتجانس، والحساب الآمن متعدد الأطراف، والخصوصية التفاضلية، والتي يمكن أن تعزز أمان البيانات ولكن قد تقدم عبئًا حسابيًا كبيرًا، مما يؤثر سلبًا على كفاءة التشخيص. بالإضافة إلى ذلك، يتم الإشارة إلى الأساليب الخاصة بتعتيم البيانات والتشويش كأدوات غير مستغلة في تطبيقات التعلم الفيدرالي في العالم الحقيقي. أخيرًا، تشير هذه القسم إلى نقص ملحوظ في التركيز على القابلية للتفسير ضمن الدراسات الحالية، حيث يستخدم القليل تقنيات التصوير مثل خرائط الانتباه، وخرائط حرارة Grad-CAM، أو توزيعات الثقة لربط مخرجات النموذج بالميزات السريرية، مما يحد من قابلية تفسير النتائج التشخيصية.
النتائج
تظهر نتائج الدراسة أن إطار التعلم الفيدرالي المطبق على شبكة عصبية تلافيفية معززة بالانتباه (CNN) يصنف بفعالية أربعة أنواع من سرطان الدم عبر ثلاث مؤسسات طبية محاكاة، محققًا دقة نموذج عالمية تبلغ 95.70%. التحليل، المدعوم بمختلف الأشكال والجداول، يبرز قوة النموذج وقدرته على الحفاظ على خصوصية المرضى على الرغم من توزيعات البيانات غير المستقلة وغير المتطابقة. تتكون مجموعة البيانات من 3,256 صورة موزعة بين أربع فئات: مبكرة (30.3%)، ما قبل (29.6%)، متقدمة (24.7%)، وحميدة (15.5%). بينما التوزيع الأولي متوازن نسبيًا، فإن التمثيل غير الكافي للفئة الحميدة يشكل تحديات لأداء النموذج، خاصة في التطبيقات الواقعية.
تكشف مصفوفات الالتباس المقدمة في النتائج عن هيمنة قطرية قوية، مما يشير إلى دقة تصنيف عالية مع الحد الأدنى من الأخطاء عبر الفئات الفرعية لسرطان الدم. اختلف الأداء حسب العميل، حيث حقق العميل 2 أعلى دقة (96.87%) وأقل خسارة (0.1657)، بينما تبع العملاء 1 و3 مع مقاييس أقل قليلاً. من الجدير بالذكر أن أكبر الأخطاء في التصنيف حدثت بين الفئات الحميدة والمبكرة، خاصة في العملاء 1 و3، حيث أدت التشابهات الشكلية إلى الارتباك. تؤكد هذه النتيجة على الحاجة إلى تحسين معايرة خوارزمية FedAvg لمعالجة التطرف في توزيع الفئات وتعزيز موثوقية النموذج، خاصة لتحديد الحالات الحرجة غير السرطانية. بشكل عام، بينما تظهر CNN المعززة بالانتباه وعدًا، يُوصى بمزيد من التحسين في معلمات النموذج وتوزيعات الفئات لتعزيز قابلية التطبيق السريري.
المناقشة
تسلط قسم المناقشة في الورقة الضوء على التقدمات الكبيرة في الذكاء الاصطناعي الطبي، خاصة من خلال تطبيق تقنيات التعلم العميق مثل الشبكات العصبية التلافيفية (CNN) للمهام التشخيصية، بما في ذلك تصنيف سرطان الدم. تشكل أساليب التعلم الآلي المركزية التقليدية مخاطر على الخصوصية من خلال الحاجة إلى تجميع بيانات المرضى الحساسة في مكان واحد. لمعالجة هذه المخاوف، يقترح المؤلفون إطار عمل للتعلم الفيدرالي يسمح للعديد من المؤسسات الطبية بتدريب النماذج بشكل تعاوني دون مشاركة بيانات المرضى الخام، مما يضمن سرية المرضى مع الحفاظ على دقة التشخيص. يستفيد الإطار من هياكل CNN المعززة بالانتباه، التي تعزز أداء النموذج من خلال التركيز على الميزات الحرجة في الصور الطبية، مما يحسن كل من الدقة وقابلية التفسير في السيناريوهات التشخيصية المعقدة.
تبلغ الدراسة عن نتائج مثيرة للإعجاب من التجارب التي أجريت على مجموعة بيانات تضم أكثر من 3,200 صورة طبية، محققة دقة اختبار عالمية تبلغ 95.70% ودقة محددة للعملاء تتراوح من 95.12% إلى 96.96%. تشير هذه النتائج إلى أن التعلم الفيدرالي يمكن أن يتطابق مع أداء النماذج المركزية مع الالتزام باللوائح الصارمة للخصوصية في الرعاية الصحية. يؤكد المؤلفون على أهمية التجميع الموزون في التعلم الفيدرالي لضمان المشاركة العادلة بين العملاء ولتحقيق تحسين عالمي مستقر إحصائيًا. بشكل عام، لا يعالج الإطار المقترح مخاوف الخصوصية فحسب، بل يعزز أيضًا القدرات التشخيصية لتصنيف سرطان الدم، مما يوفر للأطباء أدوات تشخيصية موثوقة وقابلة للتفسير مدعومة بالذكاء الاصطناعي.
DOI: https://doi.org/10.1038/s41598-026-40581-9
PMID: https://pubmed.ncbi.nlm.nih.gov/41708843
Publication Date: 2026-02-18
Author(s): Muhammad Zeerak Awan et al.
Primary Topic: Digital Imaging for Blood Diseases
Overview
This research presents a lightweight, secure, and interpretable federated learning framework designed for the automatic classification of leukemia. The framework addresses critical issues related to clinical data security and collaborative model development among healthcare organizations. By utilizing a distributed learning approach, multiple healthcare facilities can collaboratively build a high-performance classification model without sharing sensitive patient data, thereby ensuring data privacy and reproducibility. The framework employs an attention-enhanced convolutional neural network (CNN) for classifying leukemia cells into four categories: benign, early, pre-leukemic, and pro-leukemic, achieving a test accuracy of 95.70% with three clients and 96.56% with five clients using a weighted aggregation method.
In conclusion, the study emphasizes the development of a federated learning framework that enables secure joint training of CNNs for leukemia classification across multiple medical institutions. The framework demonstrates strong clinical reliability and usability, effectively addressing the classification needs in clinical settings. However, it faces challenges related to communication costs and potential performance issues due to class imbalance in underrepresented leukemia subtypes. Future work should focus on enhancing communication efficiency within larger networks and improving usability through synthetic oversampling techniques and clinician collaboration, thereby expanding its application in medical imaging and fostering the development of privacy-preserving AI systems in diagnostics.
Introduction
The integration of artificial intelligence (AI) in medical imaging has significantly advanced, particularly in diagnosing complex hematologic cancers like leukemia. This evolution reflects a broader trend of incorporating digital technology into healthcare, which has heightened the demand for automated, reliable, and efficient methods for image categorization and medical data processing. Despite these advancements, centralized machine learning approaches face ongoing challenges related to privacy concerns, particularly regarding the sensitivity of patient data and information.
Methods
The section discusses the limitations of current CNN-based methods for leukemia classification, emphasizing the lack of federated learning frameworks tailored for this purpose, which restricts scalability across institutions. While there is documented potential for collaboration through federated learning in diagnostic imaging, existing models often lack lightweight architectures with attention mechanisms that can effectively capture subtle hematologic features critical for accurate diagnosis.
Furthermore, the paper highlights the use of privacy-preserving techniques such as homomorphic encryption, secure multiparty computation, and differential privacy, which could enhance data security but may introduce significant computational overhead, adversely affecting diagnostic efficiency. Additionally, methods for data obfuscation and perturbation are noted as underutilized in real-world federated learning applications. Lastly, the section points out a notable deficiency in the focus on explainability within existing studies, with few employing visualization techniques like attention maps, Grad-CAM heatmaps, or confidence distributions to correlate model outputs with clinical features, thereby limiting the interpretability of diagnostic results.
Results
The results of the study demonstrate that the federated learning framework applied to an attention-enhanced convolutional neural network (CNN) effectively classifies four types of leukemia across three simulated medical institutions, achieving a global model accuracy of 95.70%. The analysis, supported by various figures and tables, highlights the model’s robustness and ability to maintain patient privacy despite non-IID data distributions. The dataset comprises 3,256 images distributed among four classes: Early (30.3%), Pre (29.6%), Pro (24.7%), and Benign (15.5%). While the initial distribution is relatively balanced, the underrepresentation of the benign class poses challenges for model performance, particularly in real-world applications.
The confusion matrices presented in the results reveal strong diagonal dominance, indicating high classification accuracy with minimal misclassification across leukemia subtypes. Client-specific performance varied, with Client 2 achieving the highest accuracy (96.87%) and lowest loss (0.1657), while Clients 1 and 3 followed with slightly lower metrics. Notably, the most significant misclassifications occurred between the Benign and Early classes, particularly in Clients 1 and 3, where morphological similarities led to confusion. This finding underscores the need for improved calibration of the FedAvg algorithm to address class distribution extremes and enhance model reliability, particularly for critical non-leukemic case identification. Overall, while the attention-enhanced CNN shows promise, further refinement in model parameters and class distributions is recommended for enhanced clinical applicability.
Discussion
The discussion section of the paper highlights significant advancements in medical AI, particularly through the application of deep learning techniques such as convolutional neural networks (CNNs) for diagnostic tasks, including leukemia classification. Traditional centralized machine learning approaches pose privacy risks by requiring sensitive patient data to be aggregated in one location. To address these concerns, the authors propose a federated learning framework that allows multiple medical institutions to collaboratively train models without sharing raw patient data, thus ensuring patient confidentiality while maintaining diagnostic accuracy. The framework leverages attention-augmented CNN architectures, which enhance model performance by focusing on critical features in medical images, thereby improving both accuracy and interpretability in complex diagnostic scenarios.
The study reports impressive results from experiments conducted on a dataset of over 3,200 medical images, achieving a global test accuracy of 95.70% and client-specific accuracies ranging from 95.12% to 96.96%. These findings suggest that federated learning can match the performance of centralized models while adhering to stringent privacy regulations in healthcare. The authors emphasize the importance of weighted aggregation in federated learning to ensure fair participation among clients and to achieve statistically stable global optimization. Overall, the proposed framework not only addresses privacy concerns but also enhances the diagnostic capabilities for leukemia classification, providing clinicians with reliable and interpretable AI-enabled diagnostic tools.