연구진은 연합 학습 환경에서 모델의 강건성을 평가하는 MedFL-Stress 프레임워크를 소개했습니다. 이 프레임워크는 MRI 영상의 외관 변화를 시뮬레이션하여 각 병원에서의 모델 성능 차이를 분석합니다. FedBN 모델은 평균 정확도를 약간 손실하면서도 병원 간 성능 격차를 줄이고 최저 성능 병원의 Dice 점수를 향상시켰습니다.
MedFL-Stress는 BraTS 2020 데이터셋을 기반으로 4개의 병원 클라이언트를 시뮬레이션하며, 감마 대비, 스케일 이동, 노이즈 및 블러와 같은 MRI 외관 변화를 적용합니다. FedAvg, FedProx, FedBN 세 가지 연합 학습 모델을 평가하여 각 모델의 강점과 약점을 파악했습니다.
연구 결과, FedBN 모델은 평균 정확도 손실이 적으면서도 병원 간 성능 격차를 줄이고 최저 성능 병원의 Dice 점수를 크게 향상시켜 연합 학습 환경에서의 모델 강건성 평가의 중요성을 강조합니다.