L'apprendimento federato supera la scarsità di dati per la segmentazione degli OAR pediatrici

Ricercatori di Utrecht e Heidelberg hanno dimostrato che l'apprendimento federato (FL) può superare la scarsità di dati per lo sviluppo di modelli di segmentazione degli organi a rischio (OAR) specifici per pazienti pediatrici nella radioterapia addominale superiore. I modelli di deep learning addestrati su dati adulti spesso falliscono nei pazienti pediatrici a causa di differenze anatomiche, ma i dati pediatrici sono scarsi e frammentati tra le istituzioni. Utilizzando immagini TC di pazienti pediatrici con tumori renali o neuroblastoma addominale, il team ha implementato un framework basato su nnU-Net per segmentare 19 OAR. L'FL ha consentito un addestramento collaborativo che preserva la privacy tra due centri medici europei tramite scambio sicuro di pesi su cloud storage, bypassando i firewall istituzionali. Le prestazioni sono state valutate utilizzando il coefficiente di similarità di Dice. Lo studio mostra la fattibilità dell'FL per un auto-contouring pediatrico robusto senza condividere dati sensibili.