Zum Inhalt springen

Studie: Hybrides Föderales Lernen für datenschutzfreundliche Hirntumor-Analyse

Vellore (LabNews Media LLC) – Ein Forschungsteam des Vellore Institute of Technology in Indien hat ein hybrides Framework für datenschutzfreundliche Klassifikation und Segmentierung von Hirntumoren entwickelt. Das als HOS-VFL bezeichnete Verfahren kombiniert One-Shot-Föderales Lernen mit vertikalem Föderalen Lernen und wurde auf dem BRISC2025-Datensatz getestet. Die Studie erschien in „Frontiers in Artificial Intelligence“ (DOI: 10.3389/frai.2026.1967588).

Hintergrund ist, dass Deep-Learning-Modelle in der medizinischen Bildgebung zwar erfolgreich sind, aber meist zentral trainiert werden und dabei große Mengen sensibler Patientendaten an einem Ort zusammenführen. Datenschutzvorgaben wie HIPAA in den USA und die DSGVO in Europa schränken den Datenaustausch stark ein. Föderales Lernen ermöglicht gemeinsames Training, ohne Rohdaten zu teilen. Herkömmliche horizontale Verfahren benötigen jedoch viele Kommunikationsrunden, was besonders in medizinischen Umgebungen mit begrenzter Netzwerkbandbreite problematisch ist.

HOS-VFL verfolgt einen Zwei-Runden-Protokollansatz. In der ersten Runde trainieren die beteiligten Einrichtungen lokale Modelle und berechnen klassenweise Prototypen, die mit Gaußschem Rauschen für differenzielle Privatsphäre versehen und an einen Koordinator gesendet werden. In der zweiten Runde werden ergänzende Merkmalsräume der Einrichtungen verschlüsselt zusammengeführt, wobei Patientenidentifikatoren über HMAC-SHA256-Hashing abgeglichen und Merkmale mit Paillier-homomorpher Verschlüsselung geschützt werden. Die Testumgebung umfasste fünf simulierte Einrichtungen mit IID- und Dirichlet-Verteilungen unterschiedlicher Heterogenität.

Auf dem BRISC2025-Datensatz erreichte HOS-VFL nach Angaben der Autoren eine Klassifikationsgenauigkeit von 98,73 Prozent und übertraf damit die besten föderalen Baseline-Verfahren um 2,73 bis 2,86 Prozentpunkte. Im Vergleich zu konventionellen föderalen Methoden mit 35 bis 50 Kommunikationsrunden benötigte das Verfahren nur zwei Runden, was einer Reduktion des Kommunikationsaufwands um 94,3 Prozent entspreche. Die mittlere Dice-Punktzahl für die Segmentierung lag bei 0,9147, die mittlere IoU bei 0,8423. Die Leistung blieb auch bei hoher Datenheterogenität weitgehend stabil und widerstand Angriffen zur Gradientenrekonstruktion.

Die Autoren betonen, dass es sich um eine simulierte Umgebung mit Partitionen eines einzelnen Datensatzes handelt und keine echten unabhängigen institutionellen Daten vorliegen. Zudem decke die Privatsphärenanalyse nicht alle Angriffsszenarien ab, etwa Eigenschaftsinferenz oder adaptive Angriffe auf den vertikalen Aggregationsmechanismus. Klinische Nützlichkeitsaussagen basierten auf einer begrenzten retrospektiven Bewertung durch einen Radiologen. Vor einem klinischen Einsatz seien Validierungen an echten multizentrischen Datensätzen und prospektive klinische Studien nötig. Das Team sieht dennoch eine statistisch signifikante und reproduzierbare Verbesserung gegenüber bestehenden föderalen Methoden und eine gute Grundlage für weitere Forschung.

Autoren-Avatar
LabNews Media LLC
The Editors in Chief of labnews.ai are Marita Vollborn and Vlad Georgescu. They are bestselling authors, science writers and science journalists since 1994.More details about their writing on X-Press Journalistenbüro (https://xpress-journalisten.com).More Info on Wikipedia:About Marita: https://de.wikipedia.org/wiki/Marita_Vollborn About Vlad: https://de.wikipedia.org/wiki/Vlad_Georgescu
LabNews Media LLC

LabNews Media LLC

The Editors in Chief of labnews.ai are Marita Vollborn and Vlad Georgescu. They are bestselling authors, science writers and science journalists since 1994.More details about their writing on X-Press Journalistenbüro (https://xpress-journalisten.com).More Info on Wikipedia:About Marita: https://de.wikipedia.org/wiki/Marita_Vollborn About Vlad: https://de.wikipedia.org/wiki/Vlad_Georgescu