Połączenie uczenia federacyjnego i modelu wędrownego poprawia wydajność i otwiera możliwości dla równości cyfrowej w opiece zdrowotnej

Dlaczego ważne jest dzielenie się wnioskami medycznymi bez udostępniania danych

Współczesna medycyna coraz częściej polega na sztucznej inteligencji do wykrywania wzorców w skanach i kartotekach zdrowotnych. Dane pacjentów są jednak wrażliwe i często nie mogą opuścić szpitala, w którym zostały zebrane. Powstaje więc dylemat: jak szpitale na całym świecie mogą współpracować przy trenowaniu zaawansowanych narzędzi AI, nie przesyłając surowych danych pacjentów przez granice ani do dużych centralnych serwerów? W badaniu zaproponowano nowy sposób osiągnięcia tego celu, dążąc nie tylko do wysokiej dokładności, lecz także do sprawiedliwości między dobrze wyposażonymi szpitalami a mniejszymi, słabiej finansowanymi przychodniami.

Dwa sposoby uczenia AI bez przemieszczania danych

Obecnie stosuje się dwie główne strategie, które pozwalają szpitalom wspólnie trenować AI, zachowując dane lokalnie. W uczeniu federacyjnym każdy szpital równolegle trenuje własną lokalną kopię modelu; te lokalne modele są następnie łączone w „globalny” model na serwerze centralnym. W podejściu z modelem wędrownym istnieje tylko jeden model, który przemierza kolejne placówki, trenując się na każdym z nich po kolei. Obie metody chronią prywatność, ale mają wady. Uczenie federacyjne może mieć trudności, gdy niektóre placówki dysponują bardzo małą liczbą danych lub nie obejmują wszystkich typów pacjentów; łączenie słabych lub niezrównoważonych lokalnych modeli może prowadzić do globalnego modelu odzwierciedlającego przede wszystkim duże, dobrze finansowane ośrodki. Model wędrowny lepiej radzi sobie z tymi nierównościami, ale może być wolniejszy i trudniejszy w zarządzaniu.

Hybrydowa strategia wykorzystująca zalety obu podejść

Autorzy proponują FedTM — hybrydowy schemat trenowania, który łączy mocne strony uczenia federacyjnego i modelu wędrownego. Trening odbywa się w dwóch fazach. Najpierw faza „rozgrzewki”, w której tylko największe szpitale, dysponujące bardziej kompletnymi i zrównoważonymi zestawami danych, trenują model równolegle przy użyciu standardowych technik uczenia federacyjnego. To tworzy silny punkt wyjścia. Następnie następuje faza „doprecyzowania”, w której rozgrzany model odwiedza kolejno każdy serwis, w tym bardzo małe placówki, które mogą mieć zaledwie kilka skanów mózgu, a czasem tylko jednego pacjenta. W tej drugiej fazie model jest stopniowo aktualizowany w miarę podróży, integrując wiedzę z każdego miejsca, bez potrzeby opuszczania danych poza lokalną kontrolę.

Testowanie metody na skanach mózgu w chorobie Parkinsona

Aby sprawdzić FedTM, badacze użyli 1 817 skanów MRI mózgu pochodzących z 83 ośrodków obrazowania na całym świecie, aby wytrenować system AI rozróżniający osoby z chorobą Parkinsona od zdrowych. To szczególnie wymagające środowisko: ponad połowa ośrodków dostarczyła mniej niż dziesięć skanów, tylko około jedna trzecia miała dane zarówno pacjentów, jak i grupy kontrolnej zdrowych osób, a protokoły skanowania znacznie się różniły. W takich realnych warunkach czyste uczenie federacyjne nie poradziło sobie dobrze z zadaniem, podczas gdy sam model wędrowny radził sobie lepiej, ale pozostawiał pole do poprawy. FedTM, zwłaszcza gdy faza rozgrzewki obejmowała siedem największych i najbardziej zrównoważonych ośrodków, wyraźnie przewyższył oba podejścia: pole pod krzywą ROC, standardowa miara jakości klasyfikacji, wzrosło z 77% przy samym modelu wędrownym do około 82% przy FedTM, z podobnymi poprawami w innych istotnych klinicznie metrykach, takich jak czułość, swoistość i F1-score.

Uczynienie AI sprawiedliwszą dla dużych i małych szpitali

Kluczową kwestią w medycznej AI jest równość: czy model działa równie dobrze dla pacjentów z małych, wiejskich lub słabiej wyposażonych placówek, co dla tych z dużych ośrodków akademickich? Zespół zbadał, jak często AI popełnia błędy w przewidywaniach w „większych” versus „mniejszych” ośrodkach. Przy samym modelu wędrownym wskaźniki błędnej klasyfikacji różniły się między tymi grupami o około 8 punktów procentowych. Przy odpowiednio dostrojonym FedTM wskaźniki błędnej klasyfikacji dla większych i mniejszych ośrodków stały się niemal identyczne, około 26%. Innymi słowy, model stał się nie tylko dokładniejszy ogólnie, lecz także bardziej sprawiedliwy. FedTM przeniósł też większość ciężkich obliczeń do fazy rozgrzewki w lepiej wyposażonych ośrodkach, zmniejszając prawie o połowę liczbę cykli trenowania, które musiały wykonywać małe placówki, przy zachowaniu zbliżonego całkowitego czasu treningu.

Co to oznacza dla globalnej cyfrowej opieki zdrowotnej

FedTM oferuje praktyczną ścieżkę do narzędzi AI, które szanują prywatność, poprawiają wydajność i sprawiedliwiej dzielą korzyści na całym świecie. Pozwalając nawet ośrodkom z bardzo małą liczbą danych wpływać na model końcowy, ramy te mogą pomóc zapewnić, że osoby w niedofinansowanych lub odległych miejscach nie zostaną pominięte przy opracowywaniu nowych narzędzi diagnostycznych. Choć badanie skupiło się na jednym rodzaju skanu mózgu i jednej chorobie, podejście to można w zasadzie dostosować do wielu innych problemów medycznych. W miarę jak systemy opieki zdrowotnej coraz szerzej przyjmują urządzenia mobilne i wearables, a regulacje kładą nacisk na suwerenność danych, hybrydowe strategie takie jak FedTM mogą stać się kluczowe dla budowy zaufanej, inkluzywnej i odpowiedzialnej medycznej AI.

Cytowanie: Souza, R., Stanley, E.A.M., Ohara, E.Y. et al. Combining federated learning and travelling model boosts performance and opens opportunities for digital health equity. npj Digit. Med. 9, 294 (2026). https://doi.org/10.1038/s41746-026-02483-y

Słowa kluczowe: uczenie federacyjne, model wędrowny, choroba Parkinsona, AI w obrazowaniu medycznym, równość zdrowotna