Federated Few-Shot Learning: Epilepsie-Erkennung ohne zentralisierte Daten

In der klinischen Praxis sind EEG‑Aufzeichnungen häufig knapp, patientenspezifisch verteilt und unterliegen strengen Datenschutzbestimmungen, sodass zentrale Datensammlungen kaum möglich sind. Viele Deep‑Learning‑Modelle für die Epilepsie‑Erkennung setzen dagegen auf große, zentralisierte Datensätze, was in realen medizinischen Umgebungen nicht praktikabel ist.

Um diese Einschränkungen zu überwinden, wurde ein zweistufiges federated few‑shot learning‑Framework (FFSL) entwickelt. In der ersten Stufe wird ein vortrainierter Biosignal‑Transformer (BIOT) über simulierte, nicht‑IID‑Hospital‑Sites mittels Federated Learning feinjustiert. Dadurch entsteht ein gemeinsames Repräsentationsmodell, ohne dass EEG‑Daten zentralisiert werden. In der zweiten Stufe wird das Modell mit nur fünf gelabelten EEG‑Segmenten pro Patient personalisiert – ein Federated Few‑Shot Ansatz, der patientenspezifische Details beibehält und gleichzeitig von Wissen aus allen Sites profitiert.

Die Evaluation auf dem TUH Event Corpus, der sechs EEG‑Event‑Klassen umfasst, zeigte, dass das federated fine‑tuning eine balancierte Genauigkeit von 0,43 erreichte (zentralisiert 0,52), einen Cohen‑Kappa von 0,42 (0,49) und einen gewichteten F1‑Score von 0,69 (0,74). Im FFSL‑Stadium erzielten die client‑spezifischen Modelle im Durchschnitt eine balancierte Genauigkeit von 0,77, einen Cohen‑Kappa von 0,62 und einen gewichteten F1‑Score von 0,73 über vier heterogene Sites.

Diese Ergebnisse demonstrieren, dass Federated Few‑Shot Learning eine praktikable Lösung für die personalisierte Epilepsie‑Erkennung darstellt, selbst wenn Daten dezentral und unter strengen Datenschutzbedingungen vorliegen. Das Verfahren ermöglicht es, effektive, patientenorientierte Modelle zu entwickeln, ohne zentrale Datenpools zu benötigen.