Une étude comparative des méthodes d'apprentissage fédéré pour la détection de la COVID-19

Résumé L'apprentissage profond s'est avéré très efficace pour diagnostiquer la COVID-19 ; cependant, son efficacité dépend de la disponibilité de données étendues pour l'entraînement des modèles. Le partage de données entre les hôpitaux, qui est crucial pour former des modèles robustes, est souvent restreint par des réglementations de confidentialité. L'apprentissage fédéré (FL) émerge comme une solution en permettant l'entraînement de modèles à travers plusieurs hôpitaux tout en préservant la confidentialité des données. Cependant, le déploiement du FL peut être intensif en ressources, nécessitant une utilisation efficace des ressources informatiques et réseau. Dans cette étude, nous évaluons la performance et l'efficacité des ressources de cinq algorithmes de FL dans le contexte de la détection de la COVID-19 en utilisant des réseaux de neurones convolutionnels (CNNs) dans un cadre décentralisé. L'évaluation implique de varier le nombre d'entités participantes, le nombre de tours fédérés et les algorithmes de sélection. Nos résultats indiquent que l'algorithme de Transfert de Poids Cyclique présente une performance supérieure, en particulier lorsque le nombre d'hôpitaux participants est limité. Ces insights ont des implications pratiques pour le déploiement des algorithmes de FL dans la détection de la COVID-19 et l'analyse d'images médicales plus large.