Una revisión sistemática del aprendizaje federado en el área de la salud: desde la perspectiva de las propiedades de los datos y aplicaciones

Los avances recientes en el aprendizaje profundo han mostrado muchas historias de éxito en aplicaciones de salud inteligentes con información basada en datos para mejorar la calidad de atención de las instituciones clínicas. Excelentes modelos de aprendizaje profundo son muy dependientes de los datos. Cuantos más datos se entrenen, más robusto y más generalizable será el rendimiento del modelo de aprendizaje profundo. Sin embargo, agrupar los datos médicos en un almacenamiento centralizado para entrenar un modelo de aprendizaje profundo robusto enfrenta desafíos de privacidad, propiedad y regulaciones estrictas. El aprendizaje federado resuelve los desafíos anteriores con un modelo de aprendizaje profundo global compartido usando un servidor agregador central. Al mismo tiempo, los datos del paciente permanecen con la parte local, manteniendo el anonimato y la seguridad de los datos. En este estudio, primero proporcionamos una revisión integral y actualizada de la investigación que emplea aprendizaje federado en aplicaciones de salud. En segundo lugar, evaluamos un conjunto de desafíos recientes desde una perspectiva centrada en los datos en el aprendizaje federado, tales como características de particionamiento de datos, distribuciones de datos, mecanismos de protección de datos y conjuntos de datos de referencia. Finalmente, señalamos varios desafíos potenciales y direcciones futuras de investigación en aplicaciones de salud.