System QFedPolyp łączy kwantyzację modeli z federacyjnym uczeniem, by umożliwić szpitalom wspólne trenowanie AI do segmentacji polipów bez dzielenia się prywatnymi danymi pacjentów. Zamiast przesyłać pełne parametry modelu (zajmujące sporo pasmem), każdy szpital trenuje lokalnie lekką sieć U-Net na swoich danych, a następnie przesyła skompresowaną, 8-bitową wersję parametrów na serwer centralny. Tam parametry są agregowane za pomocą Federated Averaging - standardowego podejścia w federacyjnym uczeniu.
Badacze testowali system na czterech publicznie dostępnych zbiorach danych do segmentacji polipów: Kvasir-SEG, CVC-ClinicVideoDB, PolypGen i BKAI-IGH NeoPolyp. Wyniki pokazują, że 8-bitowa kompresja zmniejsza objętość przesyłanych danych o około 75 procent, przy zaledwie minimalnej stracie w dokładności - modele utrzymują Dice score na poziomie 0.91 dla Kvasir-SEG i 0.93 dla CVC-ClinicVideoDB. Dodatkowo skwantyzowane modele są do 1,5 raza szybsze w wnioskowaniu niż pełnoprecyzyjne wersje, co ma znaczenie dla praktycznych zastosowań w klinikach.
Rozwiązanie jest ważne, bo rozwiązuje realny problem: szpitale chcą wspólnie trenować modele AI, aby podnieść dokładność diagnostyki raka okrężnicy, ale obawiają się dzielenia wrażliwych danych medycznych. QFedPolyp umożliwia taką współpracę z masywnie mniejszą komunikacją i szybszym działaniem - lekkie modele można łatwiej wdrożyć na mniej wydajnych urządzeniach klinicznych.