Federated Learning mit Privacy: Lösung für unausgewogene klinische Daten

In der medizinischen Forschung eröffnet Federated Learning (FL) neue Möglichkeiten, Modelle auf dezentralen Daten zu trainieren, ohne Patientendaten zu zentralisieren. Durch die Kombination mit Differential Privacy (DP) erhält man formale Datenschutzgarantien, doch entsteht ein Spannungsfeld zwischen Privatsphäre und klinischer Nützlichkeit – ein Problem, das durch die häufig auftretende Klassenungleichheit in medizinischen Datensätzen noch verschärft wird.

Die vorliegende Studie entwickelt ein mehrstufiges FL-Framework zur Vorhersage von Herz-Kreislauf‑Risiken. Erste Versuche mit Standard‑Methoden führten zu einer Rückrufrate von Null, weil das Modell die seltenen Risikoklassen nicht erkennen konnte. Um dieses Problem zu lösen, wurde auf der Client‑Seite die hybride Technik SMOTETomek eingesetzt, die synthetische Minderheitsklassen erzeugt und gleichzeitig überlappende Mehrheitsdaten entfernt. Dadurch entstand ein klinisch brauchbares Modell.

Im nächsten Schritt wurde das System für nicht‑IID‑Daten optimiert, indem der FedProx‑Algorithmus feinjustiert wurde. Die Ergebnisse zeigen einen klaren, nicht‑linearen Zusammenhang zwischen dem Privatsphäre‑Budget (ε) und der Rückrufrate. FedProx übertrifft dabei konsequent den klassischen FedAvg‑Ansatz.

Ein besonders interessanter Bereich auf der Privatsphäre‑Nutzen‑Front liegt bei ε = 9,0: Hier lässt sich eine starke Datenschutzgarantie erreichen, während die Rückrufrate über 77 % bleibt – ein Niveau, das für die klinische Praxis als hoch angesehen wird. Die Arbeit liefert damit einen praxisnahen Leitfaden, wie man in FL‑Umgebungen mit unausgewogenen Daten sowohl Datenschutz als auch medizinische Aussagekraft bewahren kann.