Comparación de modelos de aprendizaje descentralizado y de IA clínica con alternativas locales y centralizadas: una...

Área de la Ciencia:

• Inteligencia Artificial en Medicina
• Aprendizaje Automático para la Salud
• Privacidad de Datos en IA Médica

Sus antecedentes:

• Los enfoques de aprendizaje descentralizado (DL), como el aprendizaje federado, están surgiendo como alternativas a los modelos centralizados tradicionales en el sector de la salud.
• Las aplicaciones sanitarias se enfrentan a crecientes demandas de privacidad de datos y cumplimiento normativo (por ejemplo, GDPR, Ley de IA).

Objetivo del estudio:

• Revisar y comparar sistemáticamente el rendimiento de los modelos de aprendizaje descentralizado (DL) frente al aprendizaje centralizado (CL) y al aprendizaje local (LL) tradicionales en el sector de la salud.
• Evaluar la viabilidad clínica y los compromisos del DL en diversos dominios médicos.

Principales métodos:

• Revisión sistemática de 160 artículos (01/2012-03/2024) de ocho bases de datos, analizando 710 modelos de DL y 8149 comparaciones de rendimiento.
• Revisión independiente de 165.010 estudios, centrándose en oncología, COVID-19 y diagnósticos neurológicos.
• Comparaciones pareadas y análisis de umbrales clínicos (rendimiento ≥0,80) de métricas de DL, CL y LL.

Principales resultados:

• El aprendizaje centralizado (CL) mostró ventajas en métricas dependientes del umbral (precisión, puntuación Dice), mientras que el aprendizaje descentralizado (DL) tuvo un rendimiento comparable en métricas de clasificación (AUROC).
• El aprendizaje descentralizado (DL) superó consistentemente al aprendizaje local (LL) en precisión y exactitud.
• El CL mejoró la viabilidad del DL en el 18% de los casos; cuando ambos eran viables, el DL ofreció ganancias de rendimiento de 'excelente' frente a 'aceptable'.

Conclusiones:

• El aprendizaje descentralizado (DL) proporciona un rendimiento clínicamente aceptable para aplicaciones sanitarias con restricciones de privacidad, equilibrando compensaciones marginales frente a las regulaciones.
• El DL mejora significativamente la viabilidad del aprendizaje local (LL), ofreciendo mejoras sustanciales de rendimiento.
• La presentación estandarizada de métricas de privacidad y rendimiento es crucial para la futura investigación de aprendizaje descentralizado en medicina.