Segmentação de trombose venosa profunda com preservação de privacidade usando um framework de aprendizado federado multimodelo com o algoritmo de média federada

Por que coágulos e privacidade de dados importam

Coágulos que se formam nas veias profundas das pernas, conhecidos como trombose venosa profunda (TVP), podem viajar silenciosamente até os pulmões e causar emergências potencialmente fatais. Exames de TC podem revelar esses coágulos, mas transformar milhares de imagens em escala de cinza em detecções automáticas confiáveis é uma tarefa difícil para computadores. Ao mesmo tempo, hospitais têm motivos legítimos para ser cautelosos ao compartilhar dados sensíveis de pacientes. Este estudo explora como múltiplos hospitais podem se unir para treinar um sistema de inteligência artificial (IA) poderoso para localizar coágulos—sem nunca agrupar ou expor suas varreduras brutas de pacientes.

Compartilhando cérebros, não corpos

O cerne do trabalho é uma técnica chamada aprendizado federado, que permite que várias instituições treinem modelos de IA de forma colaborativa mantendo seus dados localmente. Em vez de enviar imagens de TC para um servidor central, cada hospital treina seu próprio modelo local com suas próprias varreduras. Somente os parâmetros aprendidos pelo modelo—essencialmente o que ele "aprendeu" sobre reconhecer coágulos—são enviados a um servidor central. Lá, uma abordagem chamada média federada combina esses diferentes conjuntos de parâmetros em um único modelo global aprimorado, que é então enviado de volta a todos os hospitais. Dessa forma, cada local se beneficia da experiência coletiva de todos os participantes, enquanto nenhuma imagem de paciente sai da instituição de origem.

Muitos estilos de IA observando as mesmas veias

Uma inovação chave neste estudo é que os pesquisadores não dependeram de apenas um tipo de rede neural. Eles reuniram sete designs de modelo diferentes, cada um bom em perceber aspectos distintos das imagens de TC. Modelos mais simples, como redes convolucionais básicas e modelos sequenciais, são mais rápidos e fáceis de executar em hardware limitado. Arquiteturas mais avançadas, incluindo U‑Net, VGG‑19 e duas redes personalizadas com blocos residuais, inception, atenção e processamento multiescala, são melhores em traçar limites finos dos vasos, detectar pequenos coágulos e lidar com imagens ruidosas. Ao permitir que cada hospital use o modelo que melhor combina com seus dados e capacidade computacional, o sistema reflete a realidade heterogênea dos ambientes clínicos reais em vez de presumir que todos os locais são iguais.

Aprendendo com dados desiguais e imperfeitos

Na medicina, os dados de um hospital raramente se parecem exatamente com os de outro. Aparelhos, protocolos de imagem e populações de pacientes diferem, então o estudo trabalhou deliberadamente com dados "não IID"—coleções que são heterogêneas e não identicamente distribuídas. Isso normalmente torna o treinamento mais instável. Aqui, os autores abraçaram essa diversidade e mostraram que agregar conhecimento através de múltiplos modelos estruturados de forma diferente realmente melhorou a capacidade do sistema global de generalizar. Eles realizaram três fases experimentais, primeiro com três clientes, depois cinco e finalmente sete, usando conjuntos de dados de 1.000, 2.000 e 3.000 imagens de TC. Em cada etapa, eles acompanharam não apenas com que frequência o modelo global segmentou corretamente os coágulos, mas também quanta comunicação foi necessária, quanto tempo o treinamento levou, quão diferentes eram os dados de cada cliente e quão eficazes foram as proteções de privacidade.

Melhor detecção de coágulos, a um custo computacional

Em todas as fases, o modelo global combinado superou consistentemente qualquer modelo local isolado. À medida que o número de imagens cresceu e modelos mais sofisticados ingressaram na federação, a acurácia de segmentação subiu de cerca de 91% para mais de 96%, e uma medida de qualidade balanceada chamada F1‑score aumentou de aproximadamente 0,89 para 0,95. Ao mesmo tempo, uma medida de perda focada em erro caiu para menos da metade, sinalizando contornos de coágulos mais limpos e confiáveis. Esses ganhos não vieram de graça: a comunicação entre clientes e servidor aumentou de algumas dezenas de megabytes para vários gigabytes, e o tempo médio de treinamento cresceu de segundos para muitas horas conforme a arquitetura evoluiu. Mesmo assim, o sistema manteve uma forte garantia formal de privacidade, indicando que as atualizações compartilhadas vazam muito pouca informação sobre qualquer paciente individual.

O que isso significa para pacientes e hospitais

Para o público em geral, a conclusão é que este trabalho demonstra como hospitais podem ensinar uma IA compartilhada a identificar coágulos perigosos com mais precisão, sem ceder o controle sobre seus dados sensíveis. Ao combinar vários designs de modelos complementares e agregar cuidadosamente o que cada um aprende, os autores construíram um sistema de segmentação de coágulos que é ao mesmo tempo poderoso e respeitoso da privacidade. Embora a abordagem exija recursos computacionais e largura de banda de rede substanciais, ela aponta para um futuro no qual centros médicos colaboram rotineiramente em ferramentas diagnósticas mais inteligentes, melhorando o atendimento a pacientes em risco de TVP e condições relacionadas, enquanto mantêm suas varreduras pessoais protegidas dentro das paredes institucionais.

Citação: B, P.L., S, V. Privacy-aware deep vein thrombosis segmentation using a multi-model federated learning framework with the federated averaging algorithm. Sci Rep 16, 11333 (2026). https://doi.org/10.1038/s41598-026-36432-2

Palavras-chave: trombose venosa profunda, aprendizado federado, segmentação de imagens médicas, IA preservadora de privacidade, imagens de TC