Rischi del Machine Unlearning nella Classificazione di Immagini Mediche

Un recente studio pubblicato su arXiv (2604.23854) indaga le implicazioni del machine unlearning sulla sicurezza clinica nella classificazione binaria di immagini mediche. I ricercatori hanno scoperto che le tecniche convenzionali di unlearning—Fine-Tuning, Random Labeling e SalUn—tendono a ridurre l'utilità del test e ad aumentare i tassi di falsi negativi, incrementando così il rischio clinico. Per mitigare questo problema, introducono SalUn-CRA (Clinical Risk-Aware), che sostituisce il rietichettamento casuale con un meccanismo di oblio basato sull'entropia per i campioni maligni nel set di dimenticanza. I test sui dataset DermaMNIST e PathMNIST convalidano il loro metodo. Questa ricerca sottolinea l'importanza di conciliare le normative sulla protezione dei dati con la sicurezza del paziente nelle applicazioni di deep learning per la diagnosi medica.