یادگیری فدرال (Federated Learning) ابزاری حیاتی برای تحلیل دادههای پزشکی بدون نقض حریم خصوصی بیماران است، اما در مطالعات چندمرکزی با چالشی به نام «اثرات دستهای» (Batch Effects) روبروست که دقت مدلها را کاهش میدهد.
محققان در مطالعهای جدید، روش fedRBE را معرفی کردهاند که با بهرهگیری از محاسبات امن چندجانبه، این اختلالات را در دادههای ترانسکریپتومیک، پروتئومیک و متابولومیک اصلاح میکند. این پیشرفت گام مهمی برای افزایش اطمینان و دقت هوش مصنوعی در تشخیصهای پزشکی حساس است. 🏥💡
منبع: arXiv Machine Learning