FedVGM: Mejorando el rendimiento de aprendizaje federado en imágenes médicas de múltiples conjuntos de datos con XAI

Área de la Ciencia:

• Inteligencia artificial
• Imágenes médicas
• Aprendizaje automático

Sus antecedentes:

• El aprendizaje profundo avanza en las imágenes médicas, pero enfrenta desafíos por la privacidad y la fragmentación de los datos.
• Los métodos existentes a menudo requieren la centralización de datos sensibles de los pacientes, lo que limita la colaboración.

Objetivo del estudio:

• Introducir FedVGM, un marco de aprendizaje federado que preserva la privacidad para el análisis multimodal de imágenes médicas.
• Permitir diagnósticos colaborativos en todas las instituciones sin comprometer la privacidad de los datos de los pacientes.

Principales métodos:

• FedVGM integra cuatro modalidades (resonancia magnética cerebral, ultrasonido mamario, radiografía de tórax, tomografía computarizada de pulmón) utilizando el aprendizaje de transferencia y el conjunto VGG16 / MobileNetV2.
• Se evaluaron tres estrategias de agregación, identificando la agregación mediana como la más efectiva.
• Técnicas de IA explicables aplicadas para la interpretabilidad clínica y validadas con métricas de rendimiento y validación cruzada k-fold.

Principales resultados:

• Se logró una precisión del 97,7% ± 0,01 en el conjunto de datos multimodal combinado.
• La precisión de las modalidades individuales osciló entre el 91,9% y el 99,1%.
• Demostró la eficacia de la agregación mediana para el rendimiento del modelo.

Conclusiones:

• FedVGM proporciona una solución robusta, escalable y que preserva la privacidad para el análisis colaborativo de imágenes médicas.
• El marco apoya el despliegue clínico garantizando la privacidad y la interpretabilidad de los datos.
• Facilita los avances en el diagnóstico médico multimodal a través del aprendizaje federado.