Zespół badaczy zaproponował FedPref - innowacyjny podход do ekstrakcji strukturyzowanych informacji z raportów radiologicznych, który umożliwia szpitalom współpracę bez konieczności udostępniania czułych danych pacjentów. System opiera się na trzystopniowym procesie: zamrożone publiczne modele języka proponują alternatywne ekstraktcje w formacie JSON, pracownicy poszczególnych instytucji rankingują te propozycje na podstawie lokalnych preferencji, a następnie każde miejsce trenuje kompaktowe adaptory do modelu Qwen3-8B, wymieniając się wyłącznie aktualizacjami parametrów sieci, nigdy prawdziwymi danymi.
Zaproponowane rozwiązanie jest szczególnie ważne dla mniejszych szpitali, które posiadają mniej danych treningowych niż duże ośrodki medyczne. Tradycyjne podejścia wymagałyby albo centralizacji danych - co jest często niemożliwe ze względów prawnych i bezpieczeństwa - albo prowadzenia osobnych modeli w każdej instytucji bez możliwości korzystania z doświadczenia innych szpitali. FedPref rozwiązuje ten problem poprzez federacyjne uczenie, gdzie instytucje mogą współpracować na poziomie preferencji, a nie surowych danych.
W eksperymentach na pół-symulowanych danych z sześciu szpitali o nierównych zasobach i różnej prevalencji chorób, FedPref osiągnął średni wynik F1 o 2,49 punktu wyższy niż szkolenie każdego szpitala w izolacji, a dla miejsca z najmniejszym datastem ulepszenie wyniosło 9,10 punktów. Na ostatecznym zbiorze testowym złożonym z 400 ręcznie zwalidowanych raportów FedPref uzyskał F1 na poziomie 68,68 w porównaniu z 71,67 dla scentralizowanego treningu na połączonych danych preferencyjnych. To pokazuje, że federacyjny system, choć poniżej centralnego podejścia, znacznie przewyższa izolowane szkolenie, zwłaszcza dla instytucji o ograniczonych zasobach.