Apprentissage Fédéré dans la Santé Connectée : Une Enquête sur les Applications, Défis et Directions Futures

Ces dernières années, de nouvelles technologies dans les systèmes de santé connectée ont ouvert d'importantes opportunités pour le diagnostic et le traitement dans divers domaines médicaux. L'Apprentissage Fédéré (FL), une approche d'apprentissage automatique décentralisée, entraîne des modèles partagés en utilisant des données locales provenant d'appareils tels que des wearables et des systèmes hospitaliers sans transférer d'informations sensibles, offrant une solution prometteuse aux défis de confidentialité dans des domaines tels que la prédiction du cancer, la détection de la COVID-19, la découverte de médicaments et le traitement d'images médicales. Cette enquête bibliographique passe en revue les architectures FL (par exemple, FedHealth, PerFit), les applications et les avancées récentes, démontrant leur impact sur les soins de santé à travers des modèles prédictifs améliorés pour le soin des patients. Les résultats clés incluent une précision améliorée dans les diagnostics basés sur les wearables et une collaboration sécurisée entre plusieurs institutions, bien que des limites persistent. Nous soulignons également les défis ouverts, tels que les risques de sécurité, les coûts de communication et l'hétérogénéité des données, qui nécessitent davantage d'attention en recherche.