Ordinality-informed Federated Learning for Robust and Explainable Radiology AI

Radiologie AI verschuift naar federatieve leeromgevingen om te voldoen aan de regelgeving op het gebied van gegevensbescherming. In dit nieuwe paradigma worden AI-modellen van meerdere ziekenhuizen geleerd zonder dat gegevens worden gedeeld. Medische gegevens zijn dan heterogeen tussen ziekenhuizen en niet toegankelijk voor het centrale knooppunt. Dit brengt aanzienlijke uitdagingen met zich mee voor het leren van robuuste AI-modellen. We zullen ons concentreren op medische ordinale problemen en ernaar streven ordinale verliezen te exploiteren om de heterogeniteit van federatieve lokale modellen te verminderen. Deze aanpak leidt tot robuustere AI-modellen. Bovendien verbetert onze methode de interpreteerbaarheid van de modellen.