Özet:

Medikal verilerin sınıflandırılması ve analizi, çeşitli sağlık sorunlarının tanısında ve tedavisinde önemli bir rol oynar. Medikal veriler, içerdikleri hassas bilgiler nedeniyle özel güvenlik önlemlerine gereksinim duyarlar. Bu nedenle, veri paylaşımı olmadan model eğitimi işlemlerinin uç noktalarda gerçekleştirilmesini, veri paylaşımı yerine model parametrelerinin paylaşılmasını ve güncellenmesini sağlayan federe öğrenme yaklaşımları kullanılır. Bu sayede, veriler merkezi bir sunucuda toplanmadığından ve paylaşılmadığından, gizlilik riskleri azalır. Bir federe öğrenme yaklaşımı olan FedAvg, katılan tüm uç noktaların yerel model parametrelerinin ortalamasını alarak küresel modeli günceller. Ancak bu yöntemde, uç noktalar farklı model performanslarına sahip olduğunda yakınsama süresi ve performansı etkileyen sınırlamalar ortaya çıkar. Bu çalışmada bu sınırlamaları ortadan kaldırmak için en yüksek yerel model test doğruluğuna sahip uç noktanın yerel model parametrelerini kullanarak küresel modeli güncelleyen FedBest isimli bir yaklaşım önerilmiştir. Önerilen FedBest yaklaşımı ile FedAvg yaklaşımının performansları BloodMNIST, PathMNIST ve DermaMNIST veri setleri üzerinde kıyaslanmıştır. Deneylerden elde edilen sonuçlara göre, FedAvg’nin medikal sınıflandırmada başarılı olduğu ancak FedBest algoritmasının, daha yüksek doğruluk oranlarına ve daha hızlı bir yakınsamaya sahip olduğu görülmüştür.

Anahtar Kelimeler: