La medicina de precisión requiere gemelos digitales centrados en el paciente que se adapten continuamente a las taxonomías de enfermedades en evolución mientras colaboran entre instituciones de salud distribuidas. Sin embargo, el aprendizaje federado en entornos médicos enfrenta desafíos de heterogeneidad dual: divergencia espacial de poblaciones de pacientes no idénticas entre hospitales y dinámicas temporales de categorías de enfermedades que emergen continuamente. Este documento propone la medicina de precisión habilitada por gemelos digitales con un marco de destilación de conocimiento híbrido que integra la pérdida de clasificación de pacientes adaptable, la pérdida de destilación semántica clínica y la pérdida de destilación de atención de biomarcadores. El mecanismo de ponderación adaptable ajusta dinámicamente la fuerza de preservación para diferentes categorías de enfermedad al calcular las magnitudes del gradiente durante el entrenamiento, proporcionando automáticamente una retención más fuerte para las categorías que exhiben mayor susceptibilidad al olvido, mientras permite que las categorías estables reciban menos énfasis proporcionalmente. El enfoque híbrido preserva simultáneamente las relaciones de enfermedad de etiquetas suaves, patrones intermedios de características convolucionales y ponderación adaptativa basada en gradientes a través de categorías de enfermedad. Los resultados experimentales demuestran una superioridad constante sobre los métodos de referencia. En el benchmark CIFAR100, el marco logra un 71.05% de precisión, representando una mejora de 1.87 puntos porcentuales. La evaluación de imágenes médicas en los conjuntos de datos OrganAMNIST, OrganCMNIST y OrganSMNIST muestra mejoras en precisión de 2.18%, 1.92% y 1.95%, respectivamente. La validación utilizando datos auténticos de laboratorios clínicos confirma una mejora del 2.54% en precisión, estableciendo viabilidad práctica para el despliegue de medicina de precisión en el mundo real donde la expansión del conocimiento diagnóstico continuo debe ocurrir sin comprometer la privacidad del paciente o las capacidades de reconocimiento histórico de enfermedades.
Zheng et al. (Jue,) estudiaron esta cuestión.