レナ・D・スワミカンナン氏らは8月19日(現地時間)、スマートフォンを用いた口腔がんスクリーニング向けのプライバシー保護型フェデレーテッド学習 (FL) フレームワークを発表した。この研究は、厳格な医療データ規制や患者プライバシーの制約を克服し、地理的に分散した環境下でのAIモデル開発を促進することを目的としている。
このフェデレーテッド学習（FL）フレームワークは、患者の機密性の高い医療データを中央に集約したり、他の機関と直接共有したりすることなく、分散型データセット間でAIモデルを共同で開発する利点を最大限に活用する。これにより、臨床口腔画像のような、収集が困難で規制の厳しい医療データの制約に対処し、データのプライバシーとセキュリティを維持しながら学習モデルの精度向上を目指す。
フレームワークの具体的な実装には、セキュアなネットワーク接続とリアルタイム通信のためにテイルスケール (Tailscale) が活用されている。これにより、各クライアントデバイスと中央サーバー間の安全なデータ交換経路が確立される。FLワークフローのサーバーサイド集約には、オープンソースのFLフレームワークであるフラワー (Flower) が実装された。Flowerは、異なるデバイスから送られてくるモデル更新を効率的に集約し、グローバルモデルを更新する中心的な役割を果たす。本研究では、クライアントデバイスの展開とオーケストレーションは手動で構成されており、高価な企業向けFLプラットフォームに依存することなく、研究目的での柔軟な環境構築が実現されている。
スマートフォンベースのスクリーニングアプリケーションをサポートするため、軽量でモバイルデバイスに適したAIアーキテクチャが評価対象となった。具体的には、MobileNetV2、MobileNetV3Large、およびMobileNetV4-Conv-Small（MNv4-Conv-S）といったモデルが候補として挙げられた。これらのモデルは、リソースが限られたエッジデバイス上での効率的な推論実行を可能にするように設計されている。
複数のラウンドにわたる分散学習と、それによって集約されたグローバルモデルの性能評価が行われた結果、FedAvg（Federated Averaging）アルゴリズムを用いて集約されたグローバルモデル全体で、MNv4-Conv-Sを基盤とするグローバルモデル (GM-V4) が最良の性能を示した。GM-V4は、AUC（Area Under the Curve）値0.929、精度87%という性能を達成している。この結果は、口腔がんスクリーニングにおける高精度なAI診断支援の可能性を示すもので、プライバシーを保護しつつスマートフォンという身近なデバイスを通じて早期発見に貢献する研究成果である。
参考: arXiv cs.CR (アーカイブ) — 2026年8月21日 13:00 (JST)
原文ハイライト"A Federated Learning Framework for Privacy-Preserving Oral Cancer Screening on Smartphones"