FedSurg 2024: Federated Learning für chirurgische Videoanalyse bei Appendizitis

Der FedSurg‑Challenge 2024 hat erstmals ein umfassendes Benchmarking von Federated‑Learning‑Methoden für die Klassifizierung chirurgischer Videos durchgeführt. Ziel war es, die Fähigkeit moderner Modelle zu prüfen, sich an neue klinische Zentren anzupassen und gleichzeitig ohne Datenaustausch zwischen den Einrichtungen zu arbeiten.

Die Teilnehmer entwickelten Strategien zur Erkennung von Entzündungsstadien bei Appendizitis anhand einer vorläufigen, mehrzentralen Version des Appendix300‑Datensatzes. Die Bewertung umfasste zwei Aufgaben: die Generalisierung auf ein bislang nicht einbezogenes Zentrum und die Zenterspezifische Anpassung nach lokalem Fine‑Tuning. Dabei wurden verschiedene Ansätze eingesetzt, darunter Foundation‑Modelle mit linearer Probing‑Technik, Metric‑Learning mit Triplet‑Loss sowie unterschiedliche Federated‑Learning‑Aggregationsmethoden wie FedAvg, FedMedian und FedSAM.

Die Leistung wurde anhand von F1‑Score und Expected Cost gemessen, während die Stabilität der Rangfolge durch Bootstrapping und statistische Tests überprüft wurde. In der Generalisierungsaufgabe blieben die Ergebnisse über die Zentren hinweg begrenzt, während alle Teams nach dem Fine‑Tuning Verbesserungen erzielten – die Rangstabilität blieb jedoch niedrig. Die ViViT‑basierte Einreichung erzielte die beste Gesamtleistung.

Die Challenge verdeutlichte die bestehenden Grenzen bei der Generalisierung, die Empfindlichkeit gegenüber Klassenungleichgewicht und die Schwierigkeiten bei der Hyperparameter‑Optimierung in dezentralen Trainingsumgebungen. Gleichzeitig zeigten spatiotemporale Modellierung und kontextbewusste Vorverarbeitung vielversprechende Ansätze für zukünftige Entwicklungen.

FedSurg stellt damit den ersten Benchmark für die Bewertung von Federated‑Learning‑Strategien in der chirurgischen Videoanalyse dar und liefert wertvolle Erkenntnisse für die Weiterentwicklung kollaborativer, datenschutzfreundlicher Lernsysteme im Gesundheitswesen.