Un nuevo marco de aprendizaje federado para la imagen médica: un enfoque eficiente en recursos que combina la PCA con...

Área de la Ciencia:

• Inteligencia artificial en imágenes médicas
• Aprendizaje automático para la salud
• Análisis de datos para preservar la privacidad

Sus antecedentes:

• El aprendizaje federado (FL) permite el entrenamiento colaborativo de modelos de imágenes médicas sin compartir datos en bruto, crucial para la privacidad del paciente.
• FL en la atención médica se enfrenta a desafíos como la heterogeneidad de los datos, la alta dimensionalidad y las limitaciones de recursos, lo que limita su eficiencia.
• Abordar estas limitaciones es clave para desbloquear el potencial de FL en aplicaciones médicas.

Objetivo del estudio:

• Introducir un nuevo marco de aprendizaje federado adaptativo (FL) diseñado para imágenes médicas.
• Abordar los desafíos de la heterogeneidad de los datos y las limitaciones de recursos en conjuntos de datos médicos descentralizados.
• Optimizar la eficiencia computacional, mejorar el rendimiento del modelo y garantizar la robustez frente a datos no identificados.

Principales métodos:

• Desarrolló un marco de FL adaptativo que incorpora el Análisis de Componentes Principales Incremental Federado (FIPCA) para la reducción de la dimensionalidad que preserva la privacidad.
• La FIPCA agrega las matrices de dispersión local y los medios para calcular un modelo global de PCA, alineando los datos y reduciendo la heterogeneidad.
• Evaluó el marco en una tarea de clasificación del cáncer de próstata cruzada utilizando 1500 imágenes de resonancia magnética T2W de tres instituciones.

Principales resultados:

• Se logró una reducción del 98% en el consumo de energía al reducir las rondas globales de formación de 200 a 38.
• Mejora del rendimiento de clasificación con un aumento de la AUC de 0,68 a 0,73 en un conjunto de ensayos independientes.
• Se ha demostrado una mayor generalización y una precisión, sensibilidad y especificidad de clasificación superiores a través de la reducción de la dimensión y la detención temprana adaptativa.

Conclusiones:

• El enfoque de FL adaptativo gestiona eficazmente datos de imágenes médicas grandes y heterogéneos.
• El marco reduce significativamente el tiempo de capacitación y los costos computacionales al tiempo que aumenta la precisión del modelo.
• El ahorro sustancial de energía y la convergencia acelerada hacen que este método FL sea práctico para los entornos sanitarios.