Dalla centralizzazione alla collaborazione: sfruttare i modelli generativi nell'apprendimento federato per l'analisi delle immagini mediche

The advent of Artificial Intelligence (AI) in healthcare has marked a new era of medical diagnostics and treatment. Particularly in the field of medical imaging, Deep Learning (DL), a subset of AI, has demonstrated unprecedented success. Complex neural network architectures have been developed, capable of detecting, classifying, and segmenting diseases from medical images with remarkable accuracy, often rivaling or surpassing human experts. However, the effectiveness of deep learning is contingent upon access to vast, diverse, and high-quality datasets, the acquisition of which is often hindered by privacy concerns, data sharing restrictions, and the inherent variability in medical data across different institutions. Federated Learning (FL), an innovative machine learning paradigm, offers a compelling solution to these challenges. FL enables the training of AI models across multiple decentralized devices or servers holding local data samples, without the need to exchange the data itself. This approach not only preserves data privacy but also allows for the utilization of diverse datasets from different institutions, thereby enhancing the robustness and generalizability of the AI models. In addition to the core principles of FL, the use of generative models, such as Generative Adversarial Networks (GANs), has emerged as a powerful tool for maintaining privacy in the FL scenario. These models can generate synthetic data that mimic the statistical properties of the original data, allowing for the training of robust models without exposing sensitive patient information. This thesis explores the transition from the classic \textit{centralized} deep learning approach to federated learning in medical imaging, with a specific focus on the use of generative models for privacy preservation. We delve into the technical aspects of implementing FL and generative models, discuss the challenges and potential solutions, and present case studies where these methods have been successfully applied. By investigating the shift from deep learning to federated learning and the role of generative models, this research aims to contribute to the ongoing efforts to integrate AI into healthcare more effectively, responsibly, and inclusively. The advent of federated learning and generative models marks a new era in medical imaging analysis, paving the way for a future of effective, collaborative and privacy-preserving healthcare.

La comparsa dell'Intelligenza Artificiale (IA) nel settore sanitario ha segnato una nuova era della diagnostica e dei trattamenti medici. In particolare nel campo dell'imaging medico, il Deep Learning (DL), un sottoinsieme dell'IA, ha dimostrato un successo senza precedenti. Sono state sviluppate architetture di reti neurali complesse, in grado di rilevare, classificare e segmentare le malattie dalle immagini mediche con notevole precisione, spesso raggiungendo o superando gli specialisti umani. Tuttavia, l'efficacia del deep learning dipende dall'accesso a set di dati estesi, diversificati e di alta qualità, la cui acquisizione è spesso ostacolata da problemi di privacy, restrizioni alla loro condivisione e dalla variabilità intrinseca dei dati medici nelle diverse istituzioni. L'apprendimento federato (FL), un paradigma innovativo di apprendimento automatico, offre una soluzione interessante a queste sfide. Consente l'addestramento di modelli di intelligenza artificiale su più dispositivi o server decentralizzati che contengono campioni di dati locali, senza la necessità di scambiare i dati stessi. Questo approccio non solo preserva la privacy dei dati, ma consente anche di utilizzare insiemi di dati diversi provenienti da istituzioni diverse, migliorando così la robustezza e la generalizzabilità dei modelli di IA. Oltre ai principi fondamentali del FL, l'uso di modelli generativi, come le reti avversarie generative (GAN), è emerso come un potente strumento per mantenere la privacy nello scenario del FL. Questi modelli possono generare dati sintetici che riproducono le proprietà statistiche dei dati originali, consentendo l'addestramento di modelli robusti senza esporre informazioni sensibili sui pazienti. Questa tesi esplora la transizione dal classico approccio centralizzato di deep learning all'apprendimento federato nell'imaging medico, con un focus specifico sull'uso di modelli generativi per la conservazione della privacy. Approfondiremo gli aspetti tecnici dell'implementazione di modelli generativi e FL, discuteremo le sfide e le potenziali soluzioni e presenteremo casi di studio in cui questi metodi sono stati applicati con successo. Analizzando il passaggio dal deep learning all'apprendimento federato e il ruolo dei modelli generativi, questa ricerca intende contribuire agli sforzi in corso per integrare l'IA nell'assistenza sanitaria in modo più efficace, responsabile e inclusivo. L'avvento dell'apprendimento federato e dei modelli generativi segna una nuova era nell'analisi delle immagini mediche, aprendo la strada a un futuro di assistenza sanitaria efficace, collaborativa e rispettosa della privacy.