Enfoque de aprendizaje federado híbrido guiado por Proximal con inteligencia adaptativa eficiente en parámetros para...

Área de la Ciencia:

• Inteligencia Artificial en Imágenes Médicas
• Aprendizaje Federado para la Atención Médica
• Diagnóstico Asistido por Computadora.

Sus antecedentes:

• El diagnóstico de neumonía se basa en la radiografía de tórax, pero la privacidad y fragmentación de los datos dificultan el desarrollo de la IA.
• El Aprendizaje Federado (FL) permite el entrenamiento colaborativo de IA sin compartir datos sensibles de pacientes.
• Los métodos FL existentes como FedAvg luchan con la heterogeneidad de datos y la alta sobrecarga de comunicación.

Objetivo del estudio:

• Proponer un marco de aprendizaje federado mejorado para la detección de neumonía en entornos con recursos limitados.
• Abordar los desafíos de la heterogeneidad de datos y la eficiencia de la comunicación en el análisis de imágenes médicas federadas.
• Mejorar la precisión y la practicidad del diagnóstico de neumonía impulsado por IA.

Principales métodos:

• Se implementó un marco federado mejorado que utiliza FedProx para la optimización proximal y la Adaptación de Bajo Rango (LoRA) para el ajuste fino eficiente de parámetros.
• Se utilizaron Vision Transformers (ViT) como columna vertebral para la clasificación de radiografías de tórax, capturando el contexto global.
• Se simuló un entorno distribuido con el conjunto de datos de imágenes de radiografías de tórax en múltiples clientes.

Principales resultados:

• Se logró una precisión de clasificación del 88,5% para la detección de neumonía en condiciones de heterogeneidad de datos.
• Se redujo significativamente la sobrecarga de comunicación y los costos computacionales en comparación con los métodos estándar de FL.
• Los mapas de atención demostraron relevancia clínica, destacando áreas pulmonares importantes.

Conclusiones:

• El enfoque de aprendizaje federado propuesto mejora la precisión y la eficiencia en la detección de neumonía.
• El marco es adecuado para la infraestructura médica con recursos limitados debido a su baja huella de memoria.
• Las características de explicabilidad aumentan la confianza y la transparencia, facilitando la adopción clínica.