RHFL+ trotzt Klassenungleichgewichten in medizinischer Bildgebung

Federated Learning (FL) ermöglicht es, Modelle über verteilte Geräte hinweg zu trainieren, ohne dass sensible Daten das Gerät verlassen. In der Praxis stoßen FL‑Implementierungen jedoch häufig auf gravierende Probleme wie Klassenungleichgewichte, Label‑Rauschen und nicht‑IID‑Verteilungen. Der neueste Ansatz RHFL+ wurde entwickelt, um diese Herausforderungen in heterogenen Client‑Umgebungen zu bewältigen.

Die aktuelle Studie liefert drei zentrale Beiträge: Erstens wird RHFL+ zusammen mit allen Standard‑Benchmark‑Algorithmen in einem einheitlichen Evaluationsrahmen reproduziert, um die Vergleichbarkeit zu gewährleisten. Zweitens wird RHFL+ auf reale medizinische Bilddatensätze wie CBIS‑DDSM, BreastMNIST und BHI erweitert, wodurch die Anwendbarkeit im klinischen Kontext demonstriert wird. Drittens erfolgt die Implementierung in NVFlare, NVIDIAs produktionsreife Federated‑Learning‑Plattform, was eine modulare, skalierbare und sofort einsatzbereite Codebasis schafft.

Zur Validierung wurden umfangreiche Ablationsstudien, algorithmische Vergleiche unter verschiedenen Rauschbedingungen sowie Skalierungsexperimente mit steigender Clientzahl durchgeführt. Die Ergebnisse zeigen, dass RHFL+ die Robustheit gegenüber Klassenungleichgewichten deutlich verbessert und gleichzeitig die Effizienz und Skalierbarkeit in realen, heterogenen FL‑Setups erhöht.