FL-SEHGT: Trasformatore di Grafi Eteroschedastici basato su Federated Learning con Squeeze-and-Excitation per l'Identificazione del Disturbo dello Spettro Autistico.

Il disturbo dello spettro autistico (ASD) è una condizione neuroevolutiva caratterizzata da diffusi cambiamenti funzionali cerebrali. Questo studio affronta tre criticità nell'uso dell'apprendimento profondo per la diagnosi assistita da neuroimmagini: l'accuratezza limitata dovuta a un'estrazione di caratteristiche non ottimale, la scarsa interpretabilità dei modelli che ostacola la comprensione dei meccanismi neurali sottostanti e la tutela della privacy nella condivisione di dati multi-sito. Gli autori propongono FL-SEHGT, un modello basato su federated learning che sfrutta un trasformatore di grafi eterogenei con meccanismi di squeeze-and-excitation utilizzando dati di risonanza magnetica funzionale a riposo (rsfMRI). Questo metodo consente di migliorare l'accuratezza diagnostica rispetto a metodi federati confrontati, garantisce maggior interpretabilità e preserva la riservatezza evitando la centralizzazione dei dati. La sperimentazione coinvolge 871 soggetti provenienti da 17 siti ABIDE I, con risultati medi di accuratezza per sito pari a 63.45% su tutti i siti e 70.54% sui 10 siti con più di quaranta soggetti, superando approcci come GAFD e LG-FedAvg, nonché modelli tradizionali addestrati singolarmente (accuratezze rispettivamente di 60.11%, 52.61%, e tra 55.7% e 63.4%). In una valutazione pooled su cinque fold il modello ha raggiunto un AUC del 71.7%. Sono stati identificati pattern alterati di connettività funzionale, principalmente nelle reti default mode, cerebellare e di controllo esecutivo, associati alla diagnosi di ASD. Il modello rappresenta dunque un avanzamento significativo per diagnosi neuroimaging assistite, interpretabili e rispettose della privacy.