物理学とプライバシーの融合：プライバシー保護脳腫瘍生体力学モデリングのための連合物理情報ニューラルネットワーク
本研究は、連合学習と線形弾性方程式を組み合わせた連合物理情報ニューラルネットワーク（Federated PINNs）を提案し、患者のプライバシーを保護しながら脳腫瘍の生体力学モデリングを実現する。3つの模擬臨床サイトでモデル重みのみを共有し、91.4%の精度を達成し、集中型の90.0%を上回り、下垂体腺腫の精度が大幅に向上した。
脳腫瘍（神経膠腫、髄膜腫、下垂体腺腫など）は脳組織の力学的挙動を変化させるが、従来の診断方法は静的画像に依存しており、腫瘍の成長、組織の変位、経時的な硬さの変化を捉えることができない。このタスクのための深層学習モデルは通常、患者データを一箇所に集約する必要があり、GDPRやHIPAAなどのプライバシー規則と矛盾し、施設間の一般化を制限する。この課題は、患者の多様性を考慮すると神経腫瘍学で顕著である。本研究では、連合学習と線形弾性方程式に基づく物理情報損失を組み合わせた連合物理情報ニューラルネットワークを提案する。
3つの模擬臨床サイトがそれぞれ患者固有のMRIデータを使用して局所ネットワークを訓練し、FedAvgプロトコルを介して100ラウンドにわたりモデル重みのみを中央サーバと共有し、生データは元のサイトに保持される。連合モデルは全体精度91.4%（集中型ベースラインの90.0%に対し）、腫瘍クラス全体の平均AUC 0.985、下垂体腺腫の精度が85.6%から94.5%に向上した。訓練により、期待される組織変形に一致する滑らかで発散のない変位場が生成され、連合訓練が物理ベースの制約と組み合わせても性能を損なわないことが示された。
この研究は、プライバシーに敏感な医療応用において、連合学習と物理情報ニューラルネットワークの組み合わせが有効であることを実証した。今後の課題として、より多くの臨床サイトや実世界データへの拡張が挙げられ、これにより手法の頑健性がさらに検証されることが期待される。