The Data Heterogeneity Issue Regarding COVID-19 Lung Imaging in Federated Learning
| dc.contributor.advisor | Prof.Kamal Jambi | |
| dc.contributor.author | Alhafiz,Fatimah | |
| dc.date.accessioned | 2025-07-16T18:37:46Z | |
| dc.date.issued | 2025-05-01 | |
| dc.description.abstract | برز التعلم المتحد في تدريب البيانات الطبية لما يقدمه من ضمان الحفاظ على خصوصية بيانات المرضى. التعلم المتحد هو إطار عمل يندرج تحت تعليم الآلة التعاوني حيث يتيح لعدد من الجهات الموزعة بتدريب بياناتها محليا دون الحاجة لمشاركة هذه البيانات أو الإفصاح عنها وتقوم هذه الجهات فقط بمشاركة أوزان النموذج الذي تم تدريبه. يتم احتساب اوزان جديده من نماذج التعلم التي تم تدريبها محليا ويسمى بالنموذج العالمي. بحيث يكون النموذج العالمي أكثر قدرة على تعميم النتائج وأقل تأثرًا بالانحرافات في البيانات المحلية نظراً لتحقق شرطي نجاح التعلم العميق وهي سعة البيانات الكبيرة والتنوع في هذه البيانات الخاضعة للتدريب. تعد مشكلة عدم تجانس البيانات الطبية تحدياً جوهرياً في نتائج التعلم المتحد وظهرت هذه المشكلة في جانحة كوفيد -19 بشكل جليّ. حيث اختلفت شدة المرض وأعراضه بين أعمار مختلفة من المصابين في عدد من التوزيعات السكانية حول العالم أدى ذلك لظهور مشكلة البيانات غير المتجانسة في المستشفيات والمراكز الصحية الموزعة. يناقش هذا البحث مشكلة عدم تجانس البيانات في صور الرئة الملتقطة لمرضى كوفيد -19، وتتمثل الإضافة الجوهرية في هذه الدراسة في اقتراح أنواع جديدة من تغاير البيانات الطبية بما في ذلك الانحراف الحاد في التصنيفات وانحراف الخصائص. يقسم هذا البحث أنواع التباين أو التغير في البيانات بناء على نوع الانحرافات المتعلقة بهذه البيانات. كما يقدم وصفاً رياضياً لستة أنواع من الانحرافات مستندة إلى الأحوال الواقعية التي تشهدها البيانات الطبية في المراكز الموزعة. ومن خلال تقييم هذه الأنواع على أداء التعلم المتحد ضمن سيناريوهات مختلفة من توزيع البيانات حيث بدأت بتوزيع مثالي ومن ثم يزداد تعقيداً لقياس قدرة النموذج على قراءة نتائج صحيحة في ظروف تغاير حادة، ظهرت من خلالها انحراف التوزيع الكمي وتوزيع التصنيفات بنتائج مشابهة للتوزيع المثالي بينما أظهر إنحراف التصنيفات الحاد وانحراف أنواع التصوير كأسوائها أثراً على أداء التعلم المتحدة، وأظهر إنحراف طرق جمع البيانات بنتائج مرضية مما قد يحقق الأهداف المرجوة من تعاون الأطراف الموزعة. من خلال التحليل العميق لأداء التعلم المُتحد في ظل التباين الواقعي للبيانات ، تؤكد هذه الدراسة على التحديات والفرص المحورية لتطوير أُطر تعلم تعاوني أكثر قوة ، وأكثر قابلية للتعميم ، وتتمتع بقدرة أعلى على التخصيص دون المساس بمبادئ الخصوصية والموثوقية في التطبيقات الطبية . | |
| dc.format.extent | 147 | |
| dc.identifier.uri | https://hdl.handle.net/20.500.14154/75859 | |
| dc.language.iso | en | |
| dc.publisher | Saudi Digital Library | |
| dc.subject | Federated learning | |
| dc.subject | Data heterogeneity | |
| dc.subject | Non-IID | |
| dc.subject | Generalization met ric | |
| dc.subject | Personalization metric | |
| dc.title | The Data Heterogeneity Issue Regarding COVID-19 Lung Imaging in Federated Learning | |
| dc.type | Thesis | |
| sdl.degree.department | Faculty of Computing and Information Technology | |
| sdl.degree.discipline | Computer Sciences | |
| sdl.degree.grantor | King Abdulaziz University | |
| sdl.degree.name | Doctor of Philosophy |