Manyetik rezonans görüntülerinin sınıflandırılmasında federasyonlu öğrenmenin kullanımı

Karaciğer tümörlerinin erken ve doğru tanısı, hasta sonuçlarını iyileştirmek ve uygun tedavi stratejilerini belirlemek açısından çok önemli bir rol oynamaktadır. Son yıllarda, makine öğrenimi teknikleri, özellikle derin öğrenme, tıbbi görüntü analizinde tanı doğruluğunu artırmada önemli bir potansiyel göstermektedir. Ancak, veri gizliliği ve güvenliği gibi zorluklar, merkezi tıbbi veri setlerini kullanarak derin öğrenme modellerinin eğitilmesinde önemli engeller oluşturmuştur. Federated Learning (FL), hasta verilerini paylaşmadan, farklı kurumlar arasında ortak model eğitimi yapılmasına olanak sağlayan umut verici bir çözüm olarak ortaya çıkmıştır. Bu çalışma, Karaciğer tümörü sınıflandırması için Magnetic Resonance Imaging taramaları kullanarak Federated Learning'in yeni bir uygulamasını sunmaktadır. Önerilen model, FL çerçevesi içinde EfficientNetB0 mimarisini kullanmaktadır. FL modelinin performansı, CNN, EfficientNet, MobileNetV3, ResNet50 ve VGG16 gibi geleneksel derin öğrenme mimarileriyle karşılaştırılmıştır. Deneysel sonuçlar, FL tabanlı EfficientNetB0 modelinin, %93,75 doğruluk, %99,71 hassasiyet, %87,79 duyarlılık, %93,37 F1 skoru ve %99,19 ROC-AUC ile üstün performans gösterdiğini ortaya koymaktadır. Bu sonuçlar, FL'nin veri gizliliğini korurken yüksek sınıflandırma performansı sağlama potansiyelini vurgulamaktadır. Sonuç olarak, bu çalışma, sağlık sektöründe gizlilik koruyan yapay zeka çözümlerinin giderek daha kritik hale geldiği bir dönemde, Federated Learning'in artan rolünü ortaya koymaktadır. Gelecekteki çalışmalar, FL'nin daha ileri düzey mimariler ve daha büyük, daha çeşitli veri setleriyle entegrasyonunu keşfederek modelin genelleştirilebilirliğini ve dayanıklılığını daha da artırmayı amaçlayabilir.