TADynFed: Aprendizaje federado dinámico de modalidad adaptativa con desentrañamiento consciente del tejido para el...

Área de la Ciencia:

• Análisis de imágenes médicas Análisis de imágenes médicas.
• Aprendizaje federado de aprendizaje.
• Inteligencia artificial en el cuidado de la salud.

Sus antecedentes:

• El aprendizaje federado (FL) permite el análisis colaborativo de imágenes médicas en todas las instituciones, preservando al mismo tiempo la privacidad de los datos.
• La FL en el mundo real se enfrenta a desafíos como la heterogeneidad de la modalidad (datos incompletos / variables) y la generalización entre enfermedades.
• Los métodos FL existentes luchan con los supuestos de modalidad uniformes y la participación estática del cliente, lo que dificulta el despliegue clínico.

Objetivo del estudio:

• Proponer TADynFed, un nuevo marco para el aprendizaje federado heterogéneo (HFL).
• Abordar tanto la heterogeneidad de los datos como la de las modalidades en el análisis federado de imágenes médicas.
• Mejorar el rendimiento del modelo bajo restricciones clínicas realistas, incluyendo modalidades faltantes y diversas patologías.

Principales métodos:

• TADynFed emplea una estrategia de desenredamiento consciente del tejido para desacoplar características específicas de la modalidad y características compartidas.
• Un banco de memoria de prototipo dinámico compensa las modalidades que faltan.
• Un mecanismo de agregación adaptativa considera la confiabilidad y la tenencia del cliente para un aprendizaje robusto.

Principales resultados:

• TADynFed logró una puntuación mDice promedio de 66.03%, superando significativamente el rendimiento de los métodos de referencia (PointTransformerFL: 58.60%, FedAvg: 53.06%).
• Se ha demostrado la alineación del límite superior (ASD: 1,85 mm, HD95: 8,70 mm) y la estabilidad de calibración (ECE: 0,09).
• Exibió una alta eficiencia de comunicación (76 MB / ronda) y una fuerte transferibilidad entre enfermedades sin reentrenamiento.

Conclusiones:

• TADynFed establece un nuevo punto de referencia para los sistemas de imágenes médicas federadas realistas, heterogéneos y mixtos.
• El marco mantiene efectivamente una alta precisión de segmentación, precisión de límite y estabilidad de calibración al tiempo que minimiza el ancho de banda.
• TADynFed muestra un rendimiento robusto en diversos conjuntos de datos y patologías, destacando su aplicabilidad clínica.