Federated Learning (FL) a attiré beaucoup d'attention sur les acteurs académiques et industriels dès le début de son invention. La caractéristique attrayante de FL est de gérer les données de manière décentralisée, ce qui crée un environnement de préservation de la vie privée dans les applications d'intelligence artificielle (IA). Comme nous le savons, les données médicales comprennent des informations privées marginales de patients qui exigent une protection excessive des données contre la divulgation à des destinations inattendues. Dans cet article, nous avons effectué une revue systématique de la littérature (SLR) d'articles de recherche publiés sur l'analyse d'images médicales basée sur la FL. Tout d'abord, nous avons collecté des articles de différentes bases de données suivies de lignes directrices PRISMA, puis nous avons synthétisé les données des articles sélectionnés, et enfin nous avons fourni un aperçu complet sur le sujet. Pour ce faire, nous avons extrait des articles des informations de base associées à la mise en œuvre de la FL en imagerie médicale. Dans nos conclusions, nous avons brièvement présenté les caractéristiques des données et des modèles fédérés, les performances obtenues par les modèles et exclusivement la comparaison des résultats avec les modèles traditionnels de BC. En outre, nous avons discuté des questions en suspens et des défis de la mise en œuvre du FL et avons mentionné nos recommandations pour l'orientation future de ce domaine de recherche particulier. Nous pensons que ce reflex a réussi à résumer les méthodes FL de pointe pour l'analyse d'images médicales à l'aide de l'apprentissage profond.

Federated Learning (FL) obtuvo mucha atención a los actores académicos e industriales desde el comienzo de su invención. La característica llamativa de FL es el manejo de datos de manera descentralizada, lo que crea un entorno que preserva la privacidad en las aplicaciones de Inteligencia Artificial (IA). Como sabemos, los datos médicos incluyen información privada marginal de los pacientes que exige una protección de datos excesiva desde la divulgación hasta destinos inesperados. En este artículo, realizamos una revisión sistemática de la literatura (SLR) de artículos de investigación publicados sobre el análisis de imágenes médicas basado en FL. En primer lugar, hemos recopilado artículos de diferentes bases de datos seguidos de las directrices de PRISMA, luego hemos sintetizado los datos de los artículos seleccionados y, finalmente, hemos proporcionado una visión general completa sobre el tema. Para ello, extrajimos la información básica asociada con la implementación de FL en imágenes médicas de los artículos. En nuestros hallazgos presentamos brevemente las características de los datos y modelos federados, el rendimiento logrado por los modelos y la comparación de resultados exclusivamente con los modelos tradicionales de ML. Además, discutimos los problemas y desafíos abiertos de la implementación de FL y mencionamos nuestras recomendaciones para la dirección futura de este campo de investigación en particular. Creemos que esta SLR ha resumido con éxito los métodos de FL de última generación para el análisis de imágenes médicas utilizando el aprendizaje profundo.

Federated Learning (FL) obtained a lot of attention to the academic and industrial stakeholders from the beginning of its invention. The eye-catching feature of FL is handling data in a decentralized manner which creates a privacy preserving environment in Artificial Intelligence (AI) applications. As we know medical data includes marginal private information of patients which demands excessive data protection from disclosure to unexpected destinations. In this paper, we performed a Systematic Literature Review (SLR) of published research articles on FL based medical image analysis. Firstly, we have collected articles from different databases followed by PRISMA guidelines, then synthesized data from the selected articles, and finally we provided a comprehensive overview on the topic. In order to do that we extracted core information associated with the implementation of FL in medical imaging from the articles. In our findings we briefly presented characteristics of federated data and models, performance achieved by the models and exclusively results comparison with traditional ML models. In addition, we discussed the open issues and challenges of implementing FL and mentioned our recommendations for future direction of this particular research field. We believe this SLR has successfully summarized the state-of-the-art FL methods for medical image analysis using deep learning.

حظي التعليم الفيدرالي (FL) بالكثير من الاهتمام لأصحاب المصلحة الأكاديميين والصناعيين منذ بداية اختراعه. تتمثل الميزة اللافتة للنظر في العمل الجبري في التعامل مع البيانات بطريقة لا مركزية مما يخلق بيئة الحفاظ على الخصوصية في تطبيقات الذكاء الاصطناعي (AI). كما نعلم، تتضمن البيانات الطبية معلومات خاصة هامشية للمرضى تتطلب حماية مفرطة للبيانات من الكشف عنها إلى وجهات غير متوقعة. في هذه الورقة، أجرينا مراجعة منهجية للأدبيات (SLR) للمقالات البحثية المنشورة حول تحليل الصور الطبية القائمة على اللغة الأجنبية. أولاً، قمنا بجمع مقالات من قواعد بيانات مختلفة متبوعة بإرشادات PRISMA، ثم قمنا بتوليف البيانات من المقالات المحددة، وأخيراً قدمنا نظرة عامة شاملة حول الموضوع. من أجل القيام بذلك، استخرجنا المعلومات الأساسية المرتبطة بتنفيذ العمل الجبري في التصوير الطبي من المقالات. في النتائج التي توصلنا إليها، قدمنا بإيجاز خصائص البيانات والنماذج الموحدة، والأداء الذي حققته النماذج ومقارنة النتائج الحصرية مع نماذج التعلم الآلي التقليدية. بالإضافة إلى ذلك، ناقشنا القضايا والتحديات المفتوحة لتنفيذ العمل الجبري وذكرنا توصياتنا للتوجه المستقبلي لهذا المجال البحثي بالذات. نعتقد أن SLR هذا قد لخص بنجاح أحدث طرق FL لتحليل الصور الطبية باستخدام التعلم العميق.