Adatmegosztás nélkül tanuló AI: „stitching” a gyógyászatban

Egy budapesti radiológiai osztályon decemberben (amikor mindenki kapkod, ügyeletből ügyeletbe esik) ugyanaz történik, mint egész évben: rengeteg kép, kevés idő, magas kockázat. A mesterséges intelligencia az egészségügyben pont itt tudna a legtöbbet segíteni – csakhogy a legjobb modellekhez sok és változatos adat kellene, a betegek adatai viszont nem vándorolhatnak szabadon intézmények között.

A legtöbb szervezet ilyenkor két véglet között ingázik: vagy „nem osztunk meg semmit” (és így mindenki külön-külön tanul, közepes eredményekkel), vagy bonyolult, szinkron együttműködést próbál felépíteni (federated learning), ami sok szereplővel lassú, drága, és gyakran szervezeti okokból el sem indul.

Most jön egy harmadik út, ami szerintem a kórházi valósághoz jobban illik: aszinchron együttműködés, ahol nem adatot és nem is közösen tréningezett modellt cserélünk, hanem már betanított modelleket “varrunk össze”. A friss, 2025.12.19-én benyújtott kutatás („Sharing Knowledge without Sharing Data…”) azt mutatja, hogy a „stitching” (összeöltés) képes javítani az olyan modellekből készült ensemble-ök teljesítményét, amelyeket egymástól elszigetelten tanítottak.

Mi a gond a „külön tanított” egészségügyi AI-modellekkel?

A gond az, hogy a helyi adat a helyi valóságot tanítja meg – és csak azt. Egy intézményben más a géppark, más a protokoll, más a betegpopuláció, más a képminőség. Ha egy AI-modellt kizárólag egy kórház CT/MR/röntgen anyagán tanítunk, akkor:

• azon az egy adathalmazon gyakran jól teljesít,
• de egy másik intézmény adataira átengedve látványosan romolhat,
• és ez az egészségügyben nem csak „pontosságvesztés”, hanem kockázat.

A kutatás többcélú (multi-objective) nézőpontból fogalmaz: minden fél saját adatán mért teljesítménye külön cél. Ez nagyon egészségügyi logika: a helyi klinikai minőség nem „átlagolható el” egy globális mutatóval.

Miért nem elég simán ensemble-t csinálni?

Az ensemble (több modell szavaztatása) tipikusan javítja az általánosíthatóságot, ezért az orvosi képalkotásban is gyakori ötlet: több modell, kevesebb téves riasztás.

A cikk viszont rámutat egy kellemetlen jelenségre: ha több, külön-külön tanított hálót ensemble-ölünk, akkor bár a generalizáció javulhat, az egyes intézmények saját adatán mért teljesítmény akár romolhat. Magyarul: a „globális átlag” jobb, de a helyi osztályvezető azt mondja, hogy „nálunk rosszabb lett”. És igaza van.

Federated learning vs. aszinkron együttműködés: mi működik a valóságban?

A federated learning (FL) erős válasz a betegadatok védelmére, mert az adat nem hagyja el a kórházat, csak modellfrissítések (súlyok, gradiensek) mennek ide-oda. Csakhogy az FL-nek van egy gyakorlati ára:

• szinkron tréning körök kellenek (időzítés, elérhetőség),
• közös infrastruktúra és governance,
• verziókezelés, auditálás,
• és nem ritkán jogi-IT beszerzési rémálom.

A tanulmány ezzel szemben azt kérdezi: mi van akkor, ha a felek nem tudnak/akarnak közösen tréningezni, de megosztani tudják a már kész modelljeiket? Például publikáció, belső modellcsere, vagy beszállítói együttműködés révén.

Ez a „valóság-kompatibilis” helyzet. A kórházak ritkán tréningeznek együtt, de gyakran előfordul, hogy:

• az egyik intézménynek van kész AI-modellje,
• a másiknak is,
• és az együttműködés ott akad el, hogy adatot nem lehet adni.

Mi az a „stitching”, és miért érdekes az egészségügyben?

A stitching lényege: nem a végső kimeneteket átlagoljuk, hanem a modellek belső (köztes) reprezentációit kapcsoljuk össze. A cikk szerint egy jól megválasztott ponton beiktatott két „stitching layer” képes arra, hogy a külön tanított modellek „értsék egymás belső nyelvét”.

Képzeld el úgy, mint két radiológus jegyzetelési stílusát:

• az egyik rövidít,
• a másik részletez,
• ugyanarról beszélnek, de más „formátumban”.

Az ensemble olyan, mintha csak a végső diagnózist vetnénk össze. A stitching viszont olyan, mintha a gondolatmenetük közepén találnánk egy közös sablont, amire mindketten rá tudnak kapcsolódni.

Mit nyerünk vele? (A kutatás fő üzenete)

A tanulmány szerint:

1. Ha egy modell csak egy fél adatán tanul, a saját adatán mért teljesítménye rendben lehet, de másokén gyenge.
2. Az ensemble javíthatja a generalizációt, de a „saját adaton” mért teljesítmény szenvedhet.
3. A stitching segítségével vissza lehet hozni a helyi teljesítményt versenyképes szintre, miközben a jobb általánosítás megmarad.

Ez egészségügyi szemmel óriási, mert a valós bevezetésnél mindig két kérdés jön:

• „Máshol is működik?” (generalizáció)
• „Nálunk se romoljon!” (helyi bizalom)

A stitching pont ezt a két szempontot próbálja egyszerre kezelni.

Hol lehet ebből gyors, kézzelfogható haszon a magyar egészségügyben?

A legjobb első lépések ott vannak, ahol sok intézmény, sok protokoll, sok kép – és erős adatvédelmi korlát – találkozik.

1) Képalkotás: mellkasröntgen, CT, emlőszűrés

Képalkotásnál a domain shift mindennapos: más gyártó, más zaj, más beállítások. Ha több kórház (vagy több telephely) külön tanít modellt, majd stitchinggel kombinálják:

• csökkenhet a helyspecifikus túlillesztés,
• jobban kezelhető a betegpopulációk különbsége,
• stabilabb lehet a diagnózistámogatás több telephelyen.

2) Patológia: digitális metszetek, eltérő festési protokollok

A patológiánál a színezés és a szkenner óriási eltéréseket okoz. Stitchinggel a külön tanított modellek köztes rétegei jobban illeszthetők egymáshoz, így a rendszer kevésbé törik meg új laborban.

3) Triage és sürgősségi döntéstámogatás

Itt nem engedhetünk meg „meglepetéseket” egyik kórházból a másikba telepítve. A stitching + ensemble kombináció segíthet úgy skálázni a modellt, hogy közben a helyi teljesítmény nem esik be.

Gyakorlati bevezetési minta: így érdemes gondolkodni

A stitching nem varázslat, hanem egy bevezethető együttműködési minta. Én a következő, kórházi realitáshoz illő lépéseket tartom működőképesnek:

1) Kezdjetek „modellcsere” szintű együttműködéssel

Nem közös tréning, nem adatmegosztás. Csak:

• modellek és dokumentációk (architektúra, előfeldolgozás, címkedefiníciók),
• validációs protokollok,
• és egy minimális, jogilag tiszta keret.

2) Rögzítsétek a többcélú mérőszámokat

Ne csak egy AUC/accuracy legyen. Legyen:

• helyi teljesítmény intézményenként,
• kalibráció (pl. megbízhatósági görbék),
• alcsoport-elemzés (életkor, nem, eszköztípus).

3) Stitching a „köztes rétegek” szintjén, kontrollált kísérletekkel

A kutatás kulcsa a „jól megválasztott” stitching pont. Gyakorlatban ez iteráció:

• több lehetséges kapcsolási pont kipróbálása,
• rövid finomhangolás (ha engedélyezett),
• és szigorú összehasonlítás az ensemble és az egyedi modellek ellen.

4) Klinikai bevezetés: először „second reader” módban

Az AI ne döntsön, hanem:

• jelöljön,
• rangsoroljon,
• magyarázható kimenetet adjon,
• és gyűjtsön visszajelzést (audit).

Gyakori kérdések, amik mindig előjönnek

„Ez akkor kiváltja a federated learninget?”

Nem váltja ki, hanem kiegészíti. Federated learning akkor jó, ha van közös program, közös ütemezés és hosszú távú együtttréning. Stitching akkor hasznos, amikor az együttműködés laza, aszinkron, és a felek kész modelleket tudnak megosztani.

„Adatvédelmileg ez tényleg tisztább?”

Az adat nem mozog, de a modell igen – és a modellek is hordozhatnak információt. Egészségügyi környezetben ettől még kell:

• kockázatelemzés (modell-inverzió, membership inference),
• hozzáférés-kezelés,
• és auditált modellmegosztási folyamat.

„Mi a legnagyobb buktató?”

Szerintem nem a technika, hanem a koordináció: ha nincs egységes definíció (mi számít pozitív esetnek), akkor a stitching csak szépen összeköti az inkonzisztenciát.

Merre megy ez 2026-ban? (És miért aktuális most)

2025 végén az egészségügyi AI egyik legnagyobb feszültsége ugyanaz maradt: mindenki jobb modelleket akar, de senki sem akar (és gyakran nem is tud) adatot megosztani. A stitching megközelítés abba az irányba tolja a mezőnyt, amerre a kórházak ténylegesen haladnak:

• decentralizált fejlesztés,
• heterogén adatkörnyezet,
• és erős adatvédelmi elvárások.

A „Mesterséges intelligencia az egészségügyben” sorozatban én ezt az üzenetet vinném tovább: nem csak az számít, milyen jó egy modell egy benchmarkon, hanem hogy hogyan tud együttműködni más intézmények modelljeivel úgy, hogy közben a betegadat védve marad.

Egy mondatban: a stitching a „modellmegosztás” világát teszi klinikailag használhatóbbá.

Ha szeretnéd, segítek egy olyan pilot tervet összerakni, ami 6–8 hét alatt megmutatja, hogy egy adott képalkotó feladaton (pl. mellkasröntgen triage) a stitching-alapú modellkombináció hoz-e mérhető javulást úgy, hogy közben az adat nem hagyja el az intézményt. Te melyik klinikai területen látnád a legnagyobb azonnali hasznát: radiológia, patológia vagy sürgősségi triage?