تقدم دراسة حديثة التعلم الهتروسينك كحل واعد لمعالجة تباين البيانات في التصوير الطبي الموزع. يعزز هذا النهج دقة وكفاءة التشخيصات الطبية من خلال السماح لمؤسسات الرعاية الصحية المختلفة بالتعاون مع الحفاظ على خصوصية البيانات. من خلال معالجة التحديات التي تطرحها جودة البيانات المتفاوتة وأشكالها، يمكن أن يحسن التعلم الهتروسينك بشكل كبير نتائج المرضى ويسهل البحث الطبي، مما يجعله تقدمًا حاسمًا في هذا المجال.

Un estudio reciente presenta el aprendizaje heterosync como una solución prometedora para abordar la heterogeneidad de datos en la imagen médica distribuida. Este enfoque mejora la precisión y eficiencia de los diagnósticos médicos al permitir que diferentes instituciones de salud colaboren mientras mantienen la privacidad de los datos. Al abordar los desafíos que plantean la calidad y los formatos de datos variables, el aprendizaje heterosync podría mejorar significativamente los resultados de los pacientes y agilizar la investigación médica, lo que lo convierte en un avance crucial en el campo.

Une étude récente présente l'apprentissage heterosync comme une solution prometteuse pour traiter l'hétérogénéité des données dans l'imagerie médicale distribuée. Cette approche améliore la précision et l'efficacité des diagnostics médicaux en permettant à différentes institutions de santé de collaborer tout en préservant la confidentialité des données. En s'attaquant aux défis posés par la qualité et les formats de données variés, l'apprentissage heterosync pourrait améliorer considérablement les résultats pour les patients et rationaliser la recherche médicale, ce qui en fait une avancée cruciale dans le domaine.

A recent study introduces heterosync learning as a promising solution to tackle data heterogeneity in distributed medical imaging. This approach enhances the accuracy and efficiency of medical diagnoses by allowing different healthcare institutions to collaborate while maintaining data privacy. By addressing the challenges posed by varying data quality and formats, heterosync learning could significantly improve patient outcomes and streamline medical research, making it a crucial advancement in the field.

Addressing data heterogeneity in distributed medical imaging with heterosync learning

arXiv:2512.08751v1 Announce Type: new 
Abstract: In recent years, high-performance computer vision models have achieved remarkable success in medical imaging, with some skin lesion classification systems even surpassing dermatology specialists in diagnostic accuracy. However, such models are computationally intensive and large in size, making them unsuitable for deployment on edge devices. In addition, strict privacy constraints hinder centralized data management, motivating the adoption of Federated Learning (FL). To address these challenges, this study proposes a skewness-guided pruning method that selectively prunes the Multi-Head Self-Attention and Multi-Layer Perceptron layers of a multimodal Swin Transformer based on the statistical skewness of their output distributions. The proposed method was validated in a horizontal FL environment and shown to maintain performance while substantially reducing model complexity. Experiments on the compact Swin Transformer demonstrate approximately 36\% model size reduction with no loss in accuracy. These findings highlight the feasibility of achieving efficient model compression and privacy-preserving distributed learning for multimodal medical AI on edge devices.

تقدم دراسة جديدة طريقة تقليم موجهة بالانحراف لتحويلات Swin متعددة الأنماط، تهدف إلى تحسين تصنيف آفات الجلد الفيدرالي على الأجهزة الطرفية. تقوم هذه الطريقة بتقليم طبقات معينة بناءً على الانحراف الإحصائي لتوزيعات مخرجاتها، مما يعالج التحديات المتعلقة بنشر نماذج كبيرة ومعقدة حسابيًا في التصوير الطبي.

Un nuevo estudio presenta un método de poda guiada por asimetría para transformadores Swin multimodales, destinado a mejorar la clasificación federada de lesiones cutáneas en dispositivos de borde. Este método poda selectivamente capas específicas según la asimetría estadística de sus distribuciones de salida, abordando los desafíos de implementar modelos grandes y computacionalmente intensivos en la imagen médica.

Une nouvelle étude présente une méthode de taille guidée par l'asymétrie pour les transformateurs Swin multimodaux, visant à améliorer la classification des lésions cutanées fédérées sur des appareils en périphérie. Cette méthode taille sélectivement certaines couches en fonction de l'asymétrie statistique de leurs distributions de sortie, répondant aux défis de déploiement de modèles volumineux et intensifs en calcul dans l'imagerie médicale.

A new study introduces a skewness-guided pruning method for multimodal Swin Transformers, aimed at enhancing federated skin lesion classification on edge devices. This method selectively prunes specific layers based on the statistical skewness of their output distributions, addressing the challenges of deploying large, computationally intensive models in medical imaging.

Skewness-Guided Pruning of Multimodal Swin Transformers for Federated Skin Lesion Classification on Edge Devices

arXiv:2507.18657v3 Announce Type: replace 
Abstract: In recent years, advanced deep learning architectures have shown strong performance in medical imaging tasks. However, the traditional centralized learning paradigm poses serious privacy risks as all data is collected and trained on a single server. To mitigate this challenge, decentralized approaches such as federated learning and swarm learning have emerged, allowing model training on local nodes while sharing only model weights. While these methods enhance privacy, they struggle with heterogeneous and imbalanced data and suffer from inefficiencies due to frequent communication and the aggregation of weights. More critically, the dynamic and complex nature of clinical environments demands scalable AI systems capable of continuously learning from diverse modalities and multilabels. Yet, both centralized and decentralized models are prone to catastrophic forgetting during system expansion, often requiring full model retraining to incorporate new data. To address these limitations, we propose VGS-ATD, a novel distributed learning framework. To validate VGS-ATD, we evaluate it in experiments spanning 30 datasets and 80 independent labels across distributed nodes, VGS-ATD achieved an overall accuracy of 92.7%, outperforming centralized learning (84.9%) and swarm learning (72.99%), while federated learning failed under these conditions due to high requirements on computational resources. VGS-ATD also demonstrated strong scalability, with only a 1% drop in accuracy on existing nodes after expansion, compared to a 20% drop in centralized learning, highlighting its resilience to catastrophic forgetting. Additionally, it reduced computational costs by up to 50% relative to both centralized and swarm learning, confirming its superior efficiency and scalability.

تم تقديم إطار جديد يسمى VGS-ATD لتعزيز التعلم الموزع في تصنيف الصور الطبية متعددة التسميات، حيث يتناول التحديات التي تطرحها البيانات غير المتجانسة وغير المتوازنة. يعتمد هذا النهج على أساليب التعلم اللامركزي مثل التعلم الفيدرالي والتعلم الجماعي، مما يسمح بتدريب النماذج على العقد المحلية مع الحفاظ على خصوصية البيانات من خلال مشاركة أوزان النماذج فقط.

Se ha introducido un nuevo marco llamado VGS-ATD para mejorar el aprendizaje distribuido en la clasificación de imágenes médicas multi-etiqueta, abordando los desafíos que presentan los datos heterogéneos y desbalanceados. Este enfoque aprovecha métodos de aprendizaje descentralizado como el aprendizaje federado y el aprendizaje en enjambre, que permiten el entrenamiento de modelos en nodos locales mientras se mantiene la privacidad de los datos al compartir solo los pesos del modelo.

Un nouveau cadre appelé VGS-ATD a été introduit pour améliorer l'apprentissage distribué pour la classification d'images médicales multi-étiquettes, en s'attaquant aux défis posés par des données hétérogènes et déséquilibrées. Cette approche s'appuie sur des méthodes d'apprentissage décentralisé telles que l'apprentissage fédéré et l'apprentissage en essaim, qui permettent l'entraînement de modèles sur des nœuds locaux tout en maintenant la confidentialité des données en ne partageant que les poids des modèles.

A new framework called VGS-ATD has been introduced to enhance distributed learning for multi-label medical image classification, addressing challenges posed by heterogeneous and imbalanced data. This approach leverages decentralized learning methods like federated and swarm learning, which allow for model training on local nodes while maintaining data privacy by sharing only model weights.

Addressing data heterogeneity in distributed medical imaging with heterosync learning

Was this article worth reading? Share it

LucidQuery AI

Twofold Health

Https