Opérationnaliser l'apprentissage fédéré dans des applications de santé réelles – Fed-Ops

L'utilisation pratique de l'apprentissage fédéré (FL) dans les applications de soins de santé a jusqu'à présent été limitée en termes de portée et d'étendue, essentiellement en se concentrant sur la démonstration de la faisabilité de FL dans analyses ad hoc basées sur des modèles et des ensembles de données prédéfinis. Nous avons besoin de solutions permettant l'exploitation à long terme d'un environnement d'apprentissage fédéré dans le milieu de la santé. L'objectif de Fed-Ops est de conduire à un ensemble de méthodologies et d'outils pour opérationnaliser l'utilisation de l'apprentissage fédéré dans le domaine de la santé. Pour permettre l'intégration et le développement continus en FL, nous nous concentrerons sur le développement d'approches innovantes d'intégration de données et d'apprentissage continu dédiées à l'analyse d'ensembles de données fédérés d'imagerie clinique et médicale. Fed-Ops contribuera au cadre open source Fed-BioMed, permettant la traduction clinique dans une infrastructure d'apprentissage fédérée existante, reliant un groupe d'hôpitaux du Consortium Unicancer pour le développement de modèles d'IA pour la prédiction de la réponse à immunothérapie.