Aprendizado federado híbrido com rede de atenção em regiões cerebrais para detecção de Alzheimer em múltiplos centros

Identificar biomarcadores reprodutíveis e interpretáveis para a detecção da doença de Alzheimer (DA) continua sendo um desafio. A detecção da DA usando conjuntos de dados de múltiplos centros pode expandir o tamanho da amostra para melhorar a robustez, mas pode levar a problemas de privacidade de dados. Além disso, devido ao alto custo de rotular dados, muitos dados não rotulados em cada centro não são totalmente utilizados. Para abordar isso, é proposto um framework de Aprendizado Federado Híbrido (HFL) que não só utiliza dados não rotulados para treinar redes de aprendizado profundo, mas também alcança proteção da privacidade dos dados. Propomos uma nova Rede de Atenção em Regiões Cerebrais (BANet), que destaca regiões importantes por meio da atenção para representar a região de interesse (ROIs). Especificamente, usamos um modelo cerebral para extrair sinais de ROI dos dados de imagem por ressonância magnética estrutural (sMRI) pré-processados. Além disso, adicionamos uma perda auto-supervisionada à perda atual para guiar a geração do mapa de atenção para aprender as representações dos dados não rotulados. Por fim, avaliamos nosso método em um banco de dados multicêntrico que foi construído usando cinco conjuntos de dados de DA. Os resultados experimentais mostram que o método proposto apresenta desempenho superior em relação aos métodos de ponta, alcançando taxas de precisão média de 85,69%, 63,34% e 69,89% na comparação DA vs. NC, MCI vs. NC e DA vs. MCI, respectivamente. O código fonte está disponível para reprodutibilidade em: https://github.com/yuliangCarmelo/HFL.