Pipeline Robusta para Aprendizagem Federada com Privacidade Diferencial em Dados Clínicos Desbalanceados usando SMOTETomek e FedProx
Em execuçãoA Aprendizagem Federada (FL) surge como uma abordagem inovadora para a pesquisa colaborativa em saúde, permitindo o treinamento de modelos em dados descentralizados e protegendo a privacidade dos pacientes. Contudo, a integração dessa tecnologia com a Privacidade Diferencial (DP) para oferecer garantias formais de segurança introduz um significativo trade-off entre privacidade e utilidade clínica, um desafio amplificado pelo severo desbalanceamento de classes comum em dados médicos. Este projeto visa abordar essas questões por meio de uma análise sistemática e multifásica. Será implementado um framework de FL para predição de risco cardiovascular, onde se espera que métodos convencionais falhem em dados desbalanceados. Para superar tal limitação, o projeto integrará a técnica híbrida SMOTETomek (Synthetic Minority Over-sampling Technique with Tomek Links) no nível do cliente para desenvolver um modelo clinicamente útil. Subsequentemente, o framework será otimizado para dados não-IID (não independentes e identicamente distribuídos) utilizando o algoritmo FedProx. O objetivo principal é fornecer um guia metodológico prático para a criação de ferramentas de diagnóstico eficazes, seguras e precisas, aplicáveis a dados de saúde heterogêneos do mundo real.
Projeto importado do Suap em 18/03/2026 às 04:46 (há 10 horas, 29 minutos)