Naukowcy opracowali system FedPref, który umożliwia szpitalom wspólne trenowanie modeli AI do ekstrakcji danych z raportów radiologicznych bez udostępniania wrażliwych danych pacjentów. Lokalne modele Qwen3-8B są trenowane na rankingach alternatywnych ekstrakcji JSON, a między instytucjami wymieniane są jedynie aktualizacje modelu.
Wyobraź sobie, że szpitale mogą razem uczyć sztuczną inteligencję, jak czytać raporty radiologiczne, nie pokazując sobie nawzajem ani jednej karty pacjenta. Dokładnie to obiecuje FedPref: federacyjny system, w którym lokalne modele trenują się na własnych danych, a między instytucjami wędrują tylko "suche" aktualizacje algorytmu. To trochę jak wspólne gotowanie zupy, gdzie każdy kucharz dodaje swój sekretny składnik do przepisu, nie zdradzając receptury.
Brzmi jak idealne rozwiązanie dylematu prywatności w medycynie, ale warto zapytać: kto kontroluje jakość tych "aktualizacji modelu" i czy różnice między standardami raportowania w poszczególnych szpitalach nie sprawią, że wspólny model będzie kompromisem, który nikomu tak naprawdę nie służy?
To streszczenie zostało przygotowane przy pomocy narzędzi AI na podstawie źródła. Pełną treść znajdziesz w
Co o tym myślisz?
Zaloguj się, aby dołączyć do dyskusji.
Zaloguj się do dzis.ai
Komentuj, zachowaj swoją passę, dołącz do dyskusji.
G Kontynuuj z Google