Ophthalmology Applications of Federated Learning

Abstract

Diabetic Retinopathy, a common diabetic consequence, requires early detection and treatment to avoid vision damage. Manual detection of Diabetic Retinopathy from medical photos is a time consuming and resource intensive technique. Machine Learning, particularly Deep Learning, appears to be a promising option for automating Diabetic Retinopathy detection in order to overcome this difficulty.The collection of big medical picture datasets for model training, on the other hand, raises serious concerns about patient data privacy. Federated Learning emerges as a viable approach for model training over decentralized datasets while maintaining patient privacy.This study begins an in-depth investigation of Federated Learning for Diabetic Retinopathy detection. It includes training local reference models on two distinct public datasets, as well as the employment of three aggregation algorithms: Federated Averaging, Federated Proximal, and SCAFFOLD. Two scenarios are simulated: one in which clients use their whole dataset in each communication round, and another in which datasets are partitioned into subsets to reflect real-world resource limits.The implemented aggregation algorithms, notably SCAFFOLD, demonstrate enhanced convergence and accuracy. The scenario where datasets are divided into subsets exhibits the feasibility of dynamic data updates without compromising model performance.This study combines Deep Learning, privacy preservation, and decentralized training to advance automated Diabetic Retinopathy detection while protecting patient privacy. It discusses all of the obtained results and lays the groundwork for future research into Federated Learning techniques and their larger applications in medical diagnosis.

A Retinopatia Diabética, uma consequência comum da diabetes, requer deteção e tratamento precoces para evitar danos na visão. A deteção manual da Retinopatia Diabética a partir de fotografias médicas é uma técnica que consome muito tempo e recursos. A Aprendizagem Computacional, em particular a Aprendizagem Profunda, aparenta ser uma opção promissora para automatizar a deteção da Retinopatia Diabética, de forma a ultrapassar esta dificuldade. Por outro lado, a recolha de grandes conjuntos de dados de imagens médicas para o treino de modelos cria sérias preocupações quanto à privacidade dos dados dos pacientes. A Aprendizagem Federada surge como uma abordagem viável para o treino de modelos em conjuntos de dados descentralizados, enquanto mantém a privacidade dos pacientes.Este estudo realiza uma investigação aprofundada da Aprendizagem Federada para a deteção da Retinopatia Diabética. Inclui o treino de modelos de referência locais em dois conjuntos de dados públicos distintos, assim como o uso de três algoritmos de agregação: Federated Averaging, Federated Proximal e SCAFFOLD. São simulados dois cenários: um em que os clientes utilizam todo o seu conjunto de dados em cada ronda de comunicação e outro em que os conjuntos de dados são divididos em subconjuntos para refletir os limites de recursos do mundo real.Os algoritmos de agregação implementados, nomeadamente o SCAFFOLD, demonstram uma maior convergência e precisão. O cenário em que os conjuntos de dados são divididos em subconjuntos exibe a viabilidade de atualizações dinâmicas de dados sem comprometer o desempenho do modelo. Este estudo combina Aprendizagem Profunda, preservação de privacidade e treino descentralizado para avançar na deteção automática de Retinopatia Diabética, enquanto garante a privacidade do paciente. São discutidos todos os resultados obtidos e são estabelecidas as bases para trabalho futuro sobre técnicas de Aprendizagem Federada e as suas aplicações mais no diagnóstico médico.