Video Experimental Relacionado
Updated: Jan 13, 2026
Quantitation of Protein Expression and Co-localization Using Multiplexed Immuno-histochemical Staining and Multispectral Imaging
Published on: April 8, 2016
Aprendizaje Federado para la Clasificación de Imágenes de Histopatología: Una Revisión Sistemática
Meriem Touhami1, Mohammad Faizal Ahmad Fauzi2, Zaka Ur Rehman3
1Faculty of AI and Engineering, Multimedia University, Persiaran Multimedia, Cyberjava 63100, Malaysia.
El aprendizaje federado (FL) permite el entrenamiento colaborativo de modelos de aprendizaje profundo para la clasificación de imágenes de histopatología sin compartir datos sensibles de pacientes. Los desafíos como la sobrecarga de comunicación y las demandas computacionales deben abordarse para el uso clínico.
Área de la Ciencia:
- Patología Digital; Aprendizaje Automático; Imágenes Médicas
Sus antecedentes:
- El aprendizaje automático (ML) y el aprendizaje profundo (DL) mejoran la clasificación de imágenes de histopatología, pero enfrentan problemas de privacidad de datos; El aprendizaje federado (FL) permite el entrenamiento colaborativo de modelos sin compartir datos, abordando las preocupaciones de privacidad; FL es crucial para desarrollar modelos DL robustos en dominios médicos sensibles.
Objetivo del estudio:
- Revisar sistemáticamente las aplicaciones de FL en la clasificación de imágenes histopatológicas; Identificar metodologías, conjuntos de datos y métricas de rendimiento comunes utilizados en FL para patología digital; Destacar los desafíos y las futuras direcciones de investigación para FL en este campo.
Principales métodos:
- Revisión sistemática siguiendo las directrices PRISMA; Análisis de 24 estudios publicados entre 2020 y 2025 de las principales bases de datos científicas; Los criterios de inclusión se centraron en modelos DL basados en FL para histopatología con rendimiento reportado.
Principales resultados:
- Se utilizaron 10 conjuntos de datos, con precisiones que oscilaron entre el 69,37 % y el 99,72 %; FedAvg fue el algoritmo de agregación más común; VGG, ResNet, DenseNet y EfficientNet fueron arquitecturas frecuentes; Los desafíos clave incluyen la sobrecarga de comunicación, las demandas computacionales y la inconsistencia en los informes.
Conclusiones:
- El aprendizaje federado muestra un potencial significativo para la patología digital que preserva la privacidad; La evaluación estandarizada, la agregación eficiente, la personalización y la interpretabilidad son cruciales para la adopción clínica; Se necesita validación multiinstitucional para aprovechar al máximo los beneficios de FL en histopatología.
