اگه بخوام خیلی خودمونی براتون توضیح بدم، این روزا پزشکا واسه تشخیص بیماری‌های ریه – مثل کرونا، سل (TB)، یا ذات‌الریه – دارن حسابی رو کمک کامپیوترها و هوش مصنوعی حساب می‌کنن. یعنی سیستم‌هایی هستن که عکس‌های ایکس‌ری سینه رو می‌گیرن و سعی می‌کنن بفهمن مورد مشکوکی هست یا نه. اما خب، همیشه یه سری مشکل اساسی تو این مدل‌های سنتی وجود داره، مثل محافظت از اطلاعات خصوصی بیمارا و اینکه همه داده‌ها نباید برن تو یه سرور مرکزی.
حالا این مقاله اومده قشنگ این قضیه رو با یه مدل خفن و جدید به اسم FLEM حل کرده. بذار یکم برات بازش کنم: «Federated Learning» یا یادگیری فدرال یعنی هر بیمارستان یا مرکز پزشکی واسه خودش مدل یادگیری داره و فقط نتیجه یادگیری یا آپدیت مدل رو به اشتراک میذاره، نه خود داده‌های حساس پزشکی رو! این‌جوری دیگه اطلاعات شخصی بیمارا، محفوظ میمونه و همه‌چی خیلی ایمن‌تر پیش میره.
حالا این FLEM که مخفف Federated Learning based Ensemble Model هست – یعنی یه مدل ترکیبی مبتنی بر یادگیری فدرال – اومده چند تا مدل معروف هوش مصنوعی رو قاطی کرده تا بهترین نتیجه رو بگیره. مثلاً مدلایی مثل InceptionV3، Conv2D، VGG16 و ResNet-50. این مدل‌ها رو شاید خیلیا تو دنیای یادگیری عمیق بشناسن؛ هر کدومشون واسه شناسایی تصویر حسابی قوی‌ان.
یه نکته باحال دیگه اینکه FLEM از تکنیک‌های XAI یا Explainable AI هم استفاده می‌کنه. XAI یعنی هوش مصنوعی که می‌تونه تصمیمات خودش رو توضیح بده، نه اینکه فقط یه خروجی بده و نفهمیم چرا! تو این مدل از SHAP و Grad-CAM استفاده کردن. SHAP یعنی می‌تونیم بفهمیم هر ویژگی (مثلاً یه قسمت خاص از عکس) چقدر تو جواب نهایی تاثیر داشته. Grad-CAM هم مثل یه نقشه حرارتی رو عکس نشون میده که مدل دقیقا کدوم قسمتا رو مهم‌تر دیده. تازه، از Differential Privacy هم استفاده کردن که یه تکنیک برای حفاظت بیشتر از داده‌هاست.
تو این مقاله، اومدن عملکرد این مدل FLEM رو با مدل سرور مرکزی (Central Server-based Learning Model یا CSLM) مقایسه کردن. نتایج خیلی جالبه: FLEM هم دقت بیشتری داشته (یعنی بهتر تشخیص داده)، هم آموزش دادن مدل کمتر از اینترنت مصرف کرده و هم سریع‌تر یاد گرفته. دقت مدل‌ها توی FLEM مثلاً برای ResNet-50 رسیده به 95.5% و برای VGG16 عدد 92.5% بوده که نسبت به مدل مرکزی، حدود 5 تا 10 درصد افزایش دقت داشته. این عددا واسه تشخیص پزشکی، واقعاً تفاوت حسابی‌ای ایجاد می‌کنن.
نکته آخر اینکه مدل مرکزی (CSLM) یه مقدار زودتر یاد می‌گیره، ولی دقتش پایین‌تره. مثل اینکه تو باشگاه، یکی سریع‌تر تمرین رو می‌فهمه ولی آخرش وزنه کمتری میزنه! خلاصه اینکه این مدل FLEM-XAI هم اطلاعات بیمارا رو حفظ می‌کنه، هم نتایج معقول و قابل اعتمادی میده و هم می‌تونید ببینید دقیقاً مدل به چه دلیلی یه تصویر رو بیمار یا سالم شناخته. اگه دنبال آینده تشخیص تصویری پزشکی هستین، FLEM-XAI واقعاً یه گزینه باحاله!
منبع: +
