漢坦病毒是一種透過齧齒動物傳播的病原體，可引起嚴重的呼吸道疾病，對其基因組的有效監測對於疫情預防和控制至關重要。然而，傳統的基因組監測面臨資料分佈分散、不同來源異質性以及專家評審能力有限等挑戰。為了解決這些問題，研究人員在2026年6月25日提交至arXiv的論文中提出了HantaWatch框架（編號：2607.16234），這是一種基於聯邦學習的決策支援系統，能夠在不共享原始序列資料的前提下，實現多個實驗室和監測站點之間的協同模型訓練。
HantaWatch整合了多種關鍵技術。首先，它採用k-mer特徵提取方法將基因組序列轉換為可供機器學習模型處理的數值特徵。其次，透過源感知聯邦客戶端構建策略，確保不同資料來源的異質性得到合理處理。為了防止模型更新過程中的不穩定性，框架引入了自適應DU-FedProx最佳化演算法，在保持模型效能的同時降低通訊開銷。此外，HantaWatch還針對監測任務設計了專門的模型選擇機制，並採用僅預測的分診流程，將模型輸出轉化為風險評分、置信度估計、不確定性標誌以及專家評審優先順序列表。
在實驗評估中，HantaWatch在二分類和多分類任務上均表現出色。它能夠支援高風險篩查、疫情相關預測、病毒進化支分類以及臨床綜合徵分類等多項任務，並在預測效能、假陰性風險和更新穩定性之間取得了良好平衡。該框架由Shanika Iroshi Nanayakkara和Shiva Raj Pokhrel共同開發，其研究屬於機器學習（cs.LG）和人工智慧（cs.AI）領域。值得注意的是，HantaWatch並不旨在取代實驗室檢測或公共衛生解讀，而是為專家提供輔助決策支援，幫助他們更高效地優先處理高風險樣本。這項研究為實現去中心化的漢坦病毒基因組監測提供了一種實用的聯邦學習解決方案，有望在未來提升全球公共衛生應對能力。