Antecedentes La integración de la privacidad diferencial y el aprendizaje federado en la atención médica es clave para mantener la confidencialidad del paciente mientras se asegura una modelización predictiva precisa. Con las crecientes preocupaciones sobre la privacidad, es esencial explorar métodos que protejan la privacidad de los datos sin comprometer el rendimiento del modelo. Objetivo Este estudio evalúa la efectividad de las redes neuronales feedforward (FNN), procesos gaussianos (GP) y un subconjunto de redes neuronales de aprendizaje profundo (MLP) en la clasificación de datos de imágenes biomédicas, incorporando el aprendizaje federado para mejorar la preservación de la privacidad. Método Implementamos modelos FNN, GP y MLP utilizando técnicas de aprendizaje federado y privacidad diferencial. Los modelos fueron evaluados basándose en la precisión de entrenamiento y validación, coeficientes de correlación, error absoluto medio (MAE), error cuadrático medio (RMSE) y errores relativos, incluyendo error absoluto relativo (RAE) y error cuadrático raíz relativo (RRSE). Resultados La FNN logró una precisión de entrenamiento del 86.49% y una precisión general del 82.08%, pero mostró un potencial sobreajuste con una precisión de validación del 68.75%. El modelo GP tuvo un coeficiente de correlación de 0.9741, un MAE de 108.38 y un RMSE de 173.49. La DNN superó a los otros modelos con un coeficiente de correlación de 0.9980, un MAE de 36.80 y un RMSE de 51.01. El aprendizaje federado mejoró la privacidad mientras mantenía el rendimiento del modelo. Conclusión El aprendizaje federado con privacidad diferencial ofrece una solución prometedora para la clasificación segura y precisa de imágenes biomédicas, apoyando el aprendizaje automático que preserva la privacidad en diagnósticos médicos sin comprometer el rendimiento.
Wassan et al. (Jue,) estudiaron esta cuestión.