Zespół badaczy zaproponował FedCC - framework oparty na uczeniu federacyjnym do lokalizacji corpus callosum w ultrasonografii prenatalnej. System rozwiązuje problem dokładnej identyfikacji tej struktury mózgu płodu, która jest kluczowa dla wczesnego wykrycia nieprawidłowości neuronalnych. Wyzwaniem w tej dziedzinie pozostają ograniczenia ultrasonografii, takie jak niska kontrastowość, szum plamistości i znaczna zmienność anatomiczna corpus callosum między pacjentkami.
Architektura FedCC integruje zamrożony backbone DINOv2 z lekką głowicą detekcyjną opartą na YOLO. Innowacyjnym elementem jest zastosowanie Low-Rank Adaptation (LoRA) - techniki parametrycznie efektywnej, która pozwala optymalizować i wymieniać tylko niewielki podzbiór parametrów między klientami. Takie podejście drastycznie zmniejsza zarówno obciążenie obliczeniowe, jak i przepustowość komunikacji, czyniąc system praktycznym dla słabiej wyposażonych placówek medycznych. Co ważne, framework nie wymaga udostępniania rzeczywistych danych pacjentów między ośrodkami - pracuje w modelach uczenia rozproszonego.
Ewaluacja przeprowadzona na zbiorze ponad 10 970 ultrasonów z 58 ciężarnych pacjentek w trzech różnych ośrodkach klinicznych wykazała solidną wydajność systemu. Kombinacja DINOv2 z LoRA przy użyciu strategii FedAvg osiągnęła średnie mAP@50 na poziomie 0,857 oraz F1-score 0,803. Wyniki sugerują, że podejście jest gotowe do praktycznego wdrożenia w rzeczywistych warunkach klinicznych ze zmiennym sprzętem ultrasonograficznym.