Unsere neueste Forschungsveröffentlichung

Wir freuen uns, unsere neueste Forschungsveröffentlichung vorzustellen! Unsere neue Studie „Performance of federated versus centralized learning for mammography classification across film–digital domain shift“ ist jetzt in Frontiers in Digital Health erschienen.

Worum geht es? Deep Learning in der Mammographie benötigt große, diverse Datensätze – doch klinische Daten bleiben oft isoliert. Federated Learning (FL) bietet eine datenschutzfreundliche Alternative, indem es kollaboratives Modelltraining ohne Austausch von Rohdaten ermöglicht. Doch wie gut schneidet FL ab, wenn Bilddaten aus sehr unterschiedlichen Bereichen stammen, z. B. von gescannten Filmen im Vergleich zu digitaler Mammographie?

Wichtigste Erkenntnisse unserer Studie:

• FL erzielt vergleichbare Ergebnisse wie Centralized Learning, wenn alle Daten aus ähnlichen Bereichen stammen.

• Bei einem starken Wechsel zwischen Film- und Digitaldaten behält FL seine hohe Leistungsfähigkeit bei digitalen Bildern bei, hat jedoch Schwierigkeiten mit filmbasierten Daten und zeigt eine geringere Präzision.

• Gängige FL-Varianten (FedAvg, FedProx, SCAFFOLD, FedBN) können diese Diskrepanz zwischen den Datenbereichen nicht vollständig ausgleichen.

• Eine höhere Bildauflösung hilft zwar, kann die Leistungslücke aber nicht schließen.

Die Ergebnisse unterstreichen die Notwendigkeit domänenspezifischer und personalisierter Ansätze für föderiertes Lernen, um einen sicheren und zuverlässigen Einsatz in der Brustbildgebung zu gewährleisten.

Warum das wichtig ist: Da sich das Gesundheitswesen hin zu datenschutzfreundlicher KI entwickelt, ist das Verständnis der Grenzen des föderierten Lernens entscheidend – insbesondere in sensiblen Anwendungen wie der Brustkrebsfrüherkennung.

 Lesen Sie den vollständigen Artikel HIER