Apprendimento Federato: Tecniche e Algoritmi per la Collaborazione su Dati Biomedici senza Condivisione Diretta

L’implementazione crescente dell’intelligenza artificiale nell’ambito sanitario impone l’utilizzo di nuovi approcci al trattamento dei dati biomedici, soprattutto in relazione alla tutela della privacy dei pazienti. L’apprendimento federato, o federated learning, rappresenta un paradigma innovativo che permette l’addestramento di modelli di machine learning eseguito in collaborazione tra più istituzioni mediche, senza però che quest’ultime condividano direttamente i dati sensibili in loro possesso. L’elaborato è composto da cinque capitoli. Il primo introduce il contesto generale e anticipa gli argomenti principali che verranno trattati. Il secondo capitolo descrive le potenzialità dell’adozione dell’intelligenza artificiale nella pratica medica, le restrizioni normative ed etiche che ne susseguono e i limiti del tradizionale approccio centralizzato. Il terzo capitolo definisce i principi del federated learning, la sua architettura, gli algoritmi alla base del suo funzionamento e alcune tecniche complementari che possono migliorarlo ulteriormente. Il quarto capitolo riporta alcuni esempi concreti di applicazione del federated learning nella pratica della medica e descrive tre piattaforme che rendono più agevole il suo utilizzo da parte delle istituzioni sanitarie. Infine, il quinto capitolo conclude l’elaborato con una discussione sugli argomenti trattati, valutando i vantaggi, le sfide aperte e l’impatto che il federated learning potrebbe avere nel modo di fare ricerca, diagnosi e, in generale, nel futuro della medicina.