Multi-sensor federated learning in the medical imaging field

In latest years, machine learning has made great strides, demonstrating its potential in numerous fields. However, the high demand for data, necessary for training advanced artificial intelligence models, is difficult to satisfy in a field like healthcare, where information should remain confidential between doctor and patient. Furthermore, the wide variety of machinery and additional variables due to human interaction have decreed the need for new paradigms for training models, particularly Federated Learning. With this paradigm, it's possible to train a separate model on each "client" (each with its dataset of images kept private) and share only the trained model's parameters, which will then be aggregated by a "server" and returned to all clients in the network. In this way, each client can benefit from all images available in the network, but each client can also preserve the privacy regarding its own dataset, which is usually guaranteed by the physician–patient privilege.

Negli ultimi anni, le tecnologie di machine learning hanno fatto passi da gigante, dimostrando il potenziale di questa branca della ricerca informatica in numerosi campi. Tuttavia, l'elevata richiesta di dati, necessari per l'addestramento di modelli di intelligenza artificiale avanzati, è difficile da soddisfare in un settore come quello sanitario, dove le informazioni condivise da un paziente al suo medico dovrebbero rimanere il più possibile riservate. Inoltre, l'ampia varietà di macchinari usati per le diagnosi e le variabili aggiuntive dovute all'interazione umana hanno decretato la necessità di nuovi paradigmi per l'addestramento dei modelli, in particolare il Federated Learning (Apprendimento Federato). Con questo paradigma, è possibile addestrare un modello separato su ogni 'cliente' (ognuno con il proprio dataset di immagini mantenuto privato) e condividere solo i parametri del modello addestrato, che verranno poi aggregati da un 'server' e restituiti a tutti i clienti della rete. In questo modo, ciascun cliente può beneficiare di tutte le immagini disponibili nella rete, ma al contempo può anche preservare la privacy relativa al proprio dataset, che è solitamente garantita dal segreto professionale tra medico e paziente.