Aprendizaje federado: desarrollar IA médica entre hospitales sin compartir datos de pacientes
Investigadores del KIT lograron entrenar modelos de IA para radioterapia en varias clínicas sin intercambiar datos sensibles, con mayor seguridad y entre un 9 y un 23 % menos de cómputo y emisiones de CO₂.
La inteligencia artificial (IA) puede apoyar el análisis de imágenes médicas y la planificación de radioterapias. Sin embargo, entrenar modelos potentes requiere grandes volúmenes de datos sensibles de pacientes. Investigadores del Karlsruher Institut für Technologie (KIT) estudiaron cómo los hospitales pueden desarrollar en conjunto modelos de IA para aplicaciones en radioterapia sin intercambiar esos datos. Para ello recurren al aprendizaje federado, en el que un modelo se entrena de forma descentralizada mientras los datos permanecen en cada centro. Los resultados muestran no solo la viabilidad técnica, sino también un uso seguro, más sostenible y accesible.
El intercambio de datos médicos entre clínicas suele verse limitado por normas de protección de datos y barreras organizativas, lo que dificulta el desarrollo de aplicaciones de IA robustas. En el aprendizaje federado (federated learning), los datos de las y los pacientes permanecen en cada hospital. Las instituciones participantes entrenan sus modelos localmente y solo intercambian información sobre los ajustes del modelo. Así se puede reunir el conocimiento de varias clínicas sin almacenar de forma centralizada ni transferir datos de salud sensibles. El enfoque no es nuevo en el ámbito de la salud, pero los investigadores del KIT lo han perfeccionado ahora específicamente para aplicaciones en radioterapia.
Para planificar una radioterapia se necesitan distintas técnicas de imagen, como resonancia magnética (MRT), tomografía computarizada (CT) o CBCT (tomografía computarizada de haz cónico). Cada una aporta información distinta: las imágenes de CT son necesarias, entre otras cosas, para calcular la dosis de radiación; las de resonancia muestran los tejidos de los órganos con particular contraste; y las de CBCT permiten posicionar con precisión a los pacientes durante el tratamiento. Los modelos de IA pueden ayudar a generar imágenes de CT sintéticas a partir de las imágenes ya disponibles.
«En ciertos casos de uso, estas imágenes podrían reemplazar en el futuro tomografías adicionales y, con ello, reducir la exposición a radiación de rayos X. Además, se elimina el laborioso cotejo entre distintos conjuntos de imágenes, que puede generar imprecisiones», explica Ciro Benito Raggio, investigador del grupo de Imagen Médica para Modelado y Simulación del Instituto de Ingeniería Biomédica del KIT, dirigido por la profesora Maria Francesca Spadea.
Viabilidad técnica demostrada en varias clínicas
Los investigadores desarrollaron y probaron métodos de aprendizaje federado para generar imágenes de CT sintéticas de la región de cabeza y cuello. Los resultados muestran que estos modelos de IA pueden entrenarse entre distintas clínicas sin intercambiar datos sensibles de pacientes. Los científicos ven en ello un paso importante hacia aplicaciones de IA para radioterapia que puedan usarse clínicamente.
La seguridad, considerada desde el principio
Además, el grupo de investigación analizó posibles riesgos de seguridad de los sistemas federados de IA. Examinaron, por ejemplo, si es posible reconstruir imágenes de pacientes individuales a partir de un modelo ya entrenado. Lograron demostrar que los sistemas federados pueden protegerse eficazmente contra ataques conocidos a la seguridad de los datos con ajustes relativamente pequeños. «La protección de datos por sí sola no basta. Si los sistemas federados de IA se van a utilizar en la práctica médica, debemos considerar los posibles riesgos de seguridad desde el comienzo», afirma Raggio.
Menor carga computacional, menores emisiones de CO₂
Junto con la protección de datos y la seguridad, los investigadores también tuvieron en cuenta la sostenibilidad de los sistemas de IA. «Según la arquitectura del modelo, pudimos reducir el esfuerzo computacional y las emisiones de CO₂ entre un 9 y un 23 por ciento sin afectar la calidad de las imágenes sintéticas. Las clínicas pequeñas, en particular, podrían beneficiarse de estas optimizaciones, ya que a menudo no cuentan con amplios recursos de cómputo», señala Raggio.
Los resultados muestran que el aprendizaje federado puede respaldar el desarrollo de aplicaciones de IA respetuosas de la privacidad para la radioterapia y abrir también a instituciones más pequeñas el acceso a modelos de alto rendimiento. De este modo, la tecnología podría contribuir a llevar enfoques innovadores de manera más amplia a la práctica clínica y a la atención médica.
Publicaciones originales
Raggio, C.B. et al. FedSynthCT-Brain: A federated learning framework for multi-institutional brain MRI-to-CT synthesis. Comput Biol Med 192(A), 110160 (2025). https://doi.org/10.1016/j.compbiomed.2025.110160
Raggio, C.B. et al. A privacy-preserving federated learning framework for generalizable CBCT to synthetic CT translation in head and neck. Front. Digit. Health 8, 1812254 (2026). https://doi.org/10.3389/fdgth.2026.1812254
Raggio, C.B., Bucher, L. et al. Security Analysis of a Federated Learning Framework for Medical Image-to-Image Translation. J Med Syst 50, 108 (2026). https://doi.org/10.1007/s10916-026-02436-8
Raggio, C.B. et al. Energy-efficient federated learning via adaptive encoder freezing for MRI-to-CT conversion: A Green AI-guided research. Sustain Comput Inform Syst 51, 101433 (2026). https://doi.org/10.1016/j.suscom.2026.101433
Fuente: comunicado de prensa del KIT «Föderiertes Lernen: Gemeinsame KI-Entwicklung über Klinikgrenzen hinweg» (en alemán). Traducción y adaptación: KIT AlumniClub Chile.