Neues Federated Learning: Datenschutz‑sichere Alzheimer‑Diagnose mit 3D‑MRI

Eine aktuelle Dissertation auf arXiv präsentiert einen Durchbruch im Bereich des datenschutzfreundlichen Federated Learning für die Alzheimer‑Diagnose. Durch die Nutzung von dreidimensionalen MRT‑Scans der Alzheimer‑Disease‑Neuroimaging‑Initiative (ADNI) wird ein neues Paradigma für die Zusammenarbeit mehrerer medizinischer Einrichtungen etabliert.

Der Ansatz löst drei zentrale Probleme bestehender Methoden: unrealistische Datenaufteilung, unzureichende Datenschutzgarantien und fehlende Benchmarking‑Standards. Durch eine „site‑aware“ Partitionierung bleiben institutionelle Grenzen erhalten, was die reale Zusammenarbeit zwischen Kliniken besser widerspiegelt und die Heterogenität der Daten berücksichtigt.

Ein weiteres Highlight ist die Adaptive Local Differential Privacy (ALDP), die die Privatsphäre dynamisch an den Trainingsfortschritt anpasst. Im Vergleich zu herkömmlichen, festen Rauschparametern verbessert ALDP die Balance zwischen Datenschutz und Nutzen erheblich. In Experimenten mit zwei Clients erreichte die Methode eine Genauigkeit von 80,4 % – 5 bis 7 % höher als bei statischem Local DP – und zeigte gleichzeitig eine deutlich stabilere Lernkurve.

Durch umfangreiche Ablationsstudien und Benchmarking liefert die Arbeit quantitative Messgrößen, die als Leitfaden für die praktische Implementierung von datenschutzkonformer medizinischer KI dienen. Der Einsatz von FedProx als Optimierungsalgorithmus demonstriert, dass federated Learning sogar die Leistung zentraler Trainingsmodelle erreichen oder übertreffen kann, während gleichzeitig ein strenger Datenschutz gewährleistet bleibt.