Sanità digitale, l’AI impara senza violare la privacy: la rivoluzione del Federated Continual Learning

Algoritmi che riconoscono patologie da immagini radiologiche o predicono l’evoluzione di una malattia partendo dai dati clinici. È questa la promessa dell’Intelligenza Artificiale in sanità. Tuttavia, la sua adozione negli ospedali resta complessa: mancano dataset omogenei e, soprattutto, è necessario tutelare la privacy dei pazienti.

Proprio per superare questi ostacoli nasce il Federated Continual Learning, un approccio che unisce due concetti chiave: il Federated Learning, che consente la collaborazione tra più strutture senza condividere dati sensibili, e il Continual Learning, che permette all’AI di aggiornarsi costantemente senza perdere le conoscenze acquisite.

---

Il nodo della privacy e la sfida dei dati distribuiti

Gli ospedali raccolgono informazioni preziose, ma frammentate in silos e protette da vincoli normativi. In questo contesto, il Federated Learning ha rappresentato una svolta: ogni struttura addestra il modello sui propri dati e invia solo i parametri appresi a un sistema di aggregazione centrale, preservando la riservatezza dei pazienti.

Ma il settore sanitario è in continua evoluzione: emergono nuove patologie, cambiano i protocolli clinici, e i pazienti possono revocare il consenso. Per questo serve un’AI capace di adattarsi senza “dimenticare” il passato, evitando il fenomeno del catastrophic forgetting. È qui che entra in gioco il Continual Learning.

---

Federated Continual Learning: come funziona

Il modello combina i due approcci. I dati restano nei centri clinici, ma l’AI aggiorna le proprie conoscenze in maniera progressiva, mantenendo la memoria delle esperienze precedenti. Alcune strategie chiave:

• Tecniche brain-inspired: algoritmi che imitano il funzionamento del cervello, sfruttando caratteristiche stabili (feature di salienza) per conservare le informazioni più importanti.
• Generazione di dati sintetici con GAN: per arricchire il processo di addestramento senza esporre informazioni reali, attraverso campioni artificiali privi di riferimenti ai pazienti.
• Experience replay distribuito: ogni nodo (ospedale) “ripassa” le esperienze passate utilizzando dati sintetici condivisi, evitando la perdita di conoscenze e rispettando la privacy.

Questa combinazione è stata validata su due scenari clinici reali: la diagnosi automatica di tubercolosi tramite radiografie toraciche e la classificazione di lesioni cutanee, dove la qualità visiva influisce sulla precisione diagnostica.

---

Un modello adattivo per la medicina del futuro

Il Federated Continual Learning è una risposta concreta alle sfide della sanità digitale: sfrutta la potenza collaborativa delle reti ospedaliere senza compromettere la riservatezza e garantisce sistemi sempre aggiornati, capaci di adattarsi ai cambiamenti clinici.

«L’idea è creare modelli che apprendano in modo sicuro e distribuito, consolidando la memoria nel tempo», spiega il team di ricerca impegnato nello sviluppo di queste tecnologie nell’ambito del Dottorato Nazionale in Intelligenza Artificiale coordinato dall’Università Campus Bio-Medico di Roma.

---

LEGGI ANCHE