Empoderando a Saúde através da Análise de MRI com Preservação de Privacidade

No domínio da saúde, a Ressonância Magnética (MRI) assume um papel fundamental, uma vez que emprega metodologias de Inteligência Artificial (IA) e Aprendizado de Máquina (AM) para extrair insights inestimáveis a partir de dados de imagem. No entanto, a necessidade imperativa de privacidade do paciente apresenta desafios significativos ao coletar dados de diversas fontes de saúde. Consequentemente, as comunidades de Aprendizado Profundo (AP) enfrentam dificuldades ocasionais na detecção de características raras. Neste esforço de pesquisa, apresentamos o Framework de Aprendizado Federado Baseado em Conjunto (EBFL), uma solução inovadora criada para abordar esse desafio. O framework EBFL se desvia da abordagem convencional ao enfatizar recursos do modelo em vez de compartilhar dados sensíveis dos pacientes. Essa metodologia única promove um ambiente colaborativo e consciente da privacidade para instituições de saúde, capacitando-as a aproveitar as capacidades de um servidor centralizado para o aprimoramento do modelo, enquanto mantém os mais altos padrões de privacidade de dados. Por outro lado, uma arquitetura de conjunto robusta possui poderosas capacidades de extração de características, distinguindo-se de um único modelo de AP. Essa qualidade a torna notavelmente confiável para análise de MRI. Ao aproveitar nossa metodologia inovadora EBFL, conseguimos alcançar uma precisão notável na classificação de tumores cerebrais, incluindo glioma, meningioma, pituitária e instâncias não tumorais, atingindo uma taxa de precisão de 94 % para o modelo Global e impressionantes 96 % para o modelo de Conjunto. Nossos modelos passaram por uma avaliação rigorosa usando métricas de desempenho convencionais, como Acurácia, Precisão, Revocação e Fl Score. A integração de AP dentro do framework de Aprendizado Federado (AF) resultou em uma metodologia que oferece diagnósticos precisos e confiáveis para a detecção de tumores cerebrais.