Federated Learning (FL) ermöglicht kollaboratives Modelltraining ohne Datenzentralisierung - ein entscheidender Aspekt für die radiologische Bildanalyse, bei der Datenschutzbestimmungen ansonsten die Verwendung zentraler Datenspeicher verhindern würden. Trotz seiner vielversprechenden Möglichkeiten ist FL jedoch weitgehend auf simulierte Umgebungen beschränkt.
Diese Studie zielt darauf ab, die Lücke zwischen simulierter und realer FL-Forschung zu schließen, indem eine FL-Infrastruktur innerhalb des Deutschen Radiologischen Kooperationsnetzwerks (RACOON), ein Projekt des Netzwerk Universitätsmedizin (NUM) entwickelt wird.
Die Ergebnisse der Studie, bei der mint Lesion™ zur Verarbeitung radiologischer Bilder eingesetzt wird, zeigen, dass FL diese Methoden übertrifft, was seinen Wert für praktische Anwendungen unterstreicht. Die Studie bietet auch einen Leitfaden für die Einrichtung von FL-Initiativen und hebt die strategische Organisation und robuste Datenverwaltung hervor, um künftigen Forschern bei der Implementierung von FL in klinischen Umgebungen zu helfen.
