ترجمه فارسی مقاله پیشرفت انکولوژی با یادگیری فدرال: فراتر رفتن از مرزها در سرطان سینه، ریه و پروستات. یک بررسی سیستماتیک

چکیده

Federated Learning (FL) has emerged as a promising solution to address the limitations of centralised machine learning (ML) in oncology, particularly in overcoming privacy concerns and harnessing the power of diverse, multi-center data. This systematic review synthesises current knowledge on the state-of-the-art FL in oncology, focusing on breast, lung, and prostate cancer. Distinct from previous surveys, our comprehensive review critically evaluates the real-world implementation and impact of FL on cancer care, demonstrating its effectiveness in enhancing ML generalisability, performance and data privacy in clinical settings and data. We evaluated state-of-the-art advances in FL, demonstrating its growing adoption amid tightening data privacy regulations. FL outperformed centralised ML in 15 out of the 25 studies reviewed, spanning diverse ML models and clinical applications, and facilitating integration of multi-modal information for precision medicine. Despite the current challenges identified in reproducibility, standardisation and methodology across studies, the demonstrable benefits of FL in harnessing real-world data and addressing clinical needs highlight its significant potential for advancing cancer research. We propose that future research should focus on addressing these limitations and investigating further advanced FL methods, to fully harness data diversity and realise the transformative power of cutting-edge FL in cancer care.

چکیده به فارسی (ترجمه ماشینی)

یادگیری فدرال (FL) به عنوان یک راه حل امیدوارکننده برای پرداختن به محدودیت های یادگیری ماشین متمرکز (ML) در انکولوژی ، به ویژه در غلبه بر نگرانی های حریم خصوصی و مهار قدرت داده های متنوع و چند مرکز ظاهر شده است.این بررسی سیستماتیک دانش فعلی را در مورد پیشرفته FL در آنکولوژی ، با تمرکز بر سرطان پستان ، ریه و پروستات سنتز می کند.متمایز از نظرسنجی های قبلی ، بررسی جامع ما به طور انتقادی اجرای دنیای واقعی و تأثیر FL در مراقبت از سرطان را ارزیابی می کند و اثربخشی آن را در تقویت قابلیت عمومی بودن ML ، عملکرد و حریم خصوصی داده ها در تنظیمات بالینی و داده ها نشان می دهد.ما پیشرفت های پیشرفته در FL را ارزیابی کردیم ، و در حال افزایش پذیرش آن در میان محکم کردن مقررات حفظ حریم خصوصی داده ها است.FL از ML متمرکز در 15 از 25 مطالعه مورد بررسی ، استفاده از مدل های متنوع ML و کاربردهای بالینی و تسهیل ادغام اطلاعات چند منظوره برای پزشکی دقیق.علیرغم چالش های فعلی که در تکرارپذیری ، استاندارد سازی و روش شناسی در طول مطالعات مشخص شده است ، مزایای قابل مشاهده FL در استفاده از داده های دنیای واقعی و رفع نیازهای بالینی پتانسیل قابل توجه آن را برای پیشبرد تحقیقات سرطان برجسته می کند.ما پیشنهاد می کنیم که تحقیقات آینده باید بر پرداختن به این محدودیت ها و بررسی روشهای پیشرفته پیشرفته FL ، به طور کامل از تنوع داده ها و تحقق قدرت تحول آمیز FL در مراقبت از سرطان استفاده کند.