Un marco de aprendizaje federado adaptativo de tres factores para el diagnóstico de la enfermedad de Parkinson a...

Área de la Ciencia:

• Inteligencia artificial en el cuidado de la salud
• Privacidad de los datos médicos
• Diagnóstico de los trastornos neurológicos

Sus antecedentes:

• El diagnóstico precoz de la enfermedad de Parkinson (EP) es fundamental para un tratamiento eficaz.
• El análisis de las expresiones faciales, en particular los síntomas de "cara enmascarada", es prometedor para la detección de la EP.
• Los silos de datos debido a preocupaciones de privacidad limitan el desarrollo de modelos de diagnóstico robustos.

Objetivo del estudio:

• Proponer el marco Tri-Factor Adaptive Federated Learning (TriAFL) para el análisis colaborativo de datos de expresiones faciales que preserven la privacidad.
• Abordar los desafíos de la heterogeneidad de los datos y los datos no identificados en el aprendizaje federado para el diagnóstico de EP.
• Desarrollar una herramienta escalable y precisa impulsada por la IA para la detección no invasiva de la enfermedad de Parkinson.

Principales métodos:

• Desarrollo del marco TriAFL que incorpora una evaluación tridimensional de la contribución del cliente (gradiente, datos, eficiencia del aprendizaje).
• Creación del conjunto de datos de expresiones faciales más grande conocido para pacientes con enfermedad de Parkinson a través de la colaboración hospitalaria.
• Integración de estrategias de aumento de datos locales para mejorar el rendimiento del modelo de diagnóstico.

Principales resultados:

• TriAFL demostró un rendimiento de clasificación superior en comparación con los métodos de aprendizaje federados convencionales.
• El marco manejó eficazmente los datos no IDI, mejorando la generalización del modelo.
• La validación experimental confirmó la eficacia de TriAFL en el diagnóstico preciso de la enfermedad de Parkinson.

Conclusiones:

• TriAFL ofrece una solución robusta para el análisis colaborativo y la preservación de la privacidad de datos médicos sensibles.
• El marco mejora significativamente la precisión y la fiabilidad de las herramientas de diagnóstico basadas en IA para trastornos neurológicos.
• Este enfoque facilita el desarrollo de métodos de detección rápidos y no invasivos, lo que hace avanzar la IA en el cuidado de la salud.