{"id":6231,"date":"2026-05-12T14:45:18","date_gmt":"2026-05-12T17:45:18","guid":{"rendered":"https:\/\/certi.org.br\/blog\/?p=6231"},"modified":"2026-05-12T15:10:56","modified_gmt":"2026-05-12T18:10:56","slug":"federated-learning","status":"publish","type":"post","link":"https:\/\/certi.org.br\/blog\/federated-learning\/","title":{"rendered":"O que \u00e9 Federated Learning e como ele transforma o treinamento de IA na sa\u00fade"},"content":{"rendered":"\n

A intelig\u00eancia artificial <\/strong>j\u00e1 come\u00e7a a fazer parte da rotina de hospitais, cl\u00ednicas e operadoras de sa\u00fade de grande porte. Seu uso tem avan\u00e7ado principalmente no apoio \u00e0 tomada de decis\u00e3o m\u00e9dica, com a identifica\u00e7\u00e3o de padr\u00f5es a partir dos dados fornecidos no treinamento de modelos, contribuindo para ganhos de efici\u00eancia.<\/p>\n\n\n\n

S\u00f3 que, na sa\u00fade, nenhum avan\u00e7o acontece sem uma quest\u00e3o central: os dados s\u00e3o sens\u00edveis e n\u00e3o podem circular livremente.<\/p>\n\n\n\n

Treinar modelos exige volume, diversidade e dados reais. Ao mesmo tempo, prontu\u00e1rios, exames e hist\u00f3ricos cl\u00ednicos est\u00e3o protegidos por sigilo e pela LGPD. O uso inadequado dessas informa\u00e7\u00f5es n\u00e3o gera apenas riscos regulat\u00f3rios.<\/p>\n\n\n\n

Pode expor o paciente a problemas de seguran\u00e7a, como golpes, comprometer sua privacidade e at\u00e9 influenciar negativas de seguro sa\u00fade. Tamb\u00e9m pode comprometer reputa\u00e7\u00e3o, contratos e a confian\u00e7a do paciente.<\/p>\n\n\n\n

Na pr\u00e1tica, surge um impasse. Como escalar o treinamento de modelos sem concentrar bases inteiras em um \u00fanico servidor? Como ganhar precis\u00e3o sem abrir m\u00e3o da governan\u00e7a?<\/p>\n\n\n\n

Foi nesse contexto que o Federated Learning<\/strong>, ou aprendizado federado, come\u00e7ou a ganhar espa\u00e7o ao permitir o treinamento descentralizado, mantendo os dados no ambiente local.<\/p>\n\n\n\n

Neste artigo, voc\u00ea vai entender como o federated learning funciona e por que ele pode apoiar projetos de IA no consult\u00f3rio e no hospital. Boa leitura!<\/p>\n\n\n\n

O que \u00e9 Federated learning?<\/h2>\n\n\n\n

O federated learning \u00e9 um modelo de treinamento de intelig\u00eancia artificial em que os dados n\u00e3o saem do local onde foram gerados<\/strong>. Em vez de reunir tudo em um \u00fanico servidor, cada institui\u00e7\u00e3o treina o modelo internamente e compartilha apenas os par\u00e2metros aprendidos.<\/p>\n\n\n\n

O m\u00e9todo permite que hospitais, cl\u00ednicas e centros de pesquisa se unam em uma federa\u00e7\u00e3o para colaborar no treinamento. O compartilhamento ocorre no n\u00edvel do modelo, e o dado sens\u00edvel permanece no ambiente local.<\/p>\n\n\n\n

O treinamento de modelos de intelig\u00eancia artificial na sa\u00fade<\/strong> \u00e9 o pilar fundamental da aplica\u00e7\u00e3o do federated learning no setor. A metodologia permite que as institui\u00e7\u00f5es colaborem para melhorar os sistemas que apoiam as atividades, sem expor as informa\u00e7\u00f5es internas. <\/p>\n\n\n\n

Manuella Rocha Brito Sacco, que coordenou o projeto na Funda\u00e7\u00e3o CERTI, destaca que a metodologia resolve o dilema entre inova\u00e7\u00e3o e privacidade: \u201cNossa plataforma foca na troca de intelig\u00eancia, n\u00e3o de arquivos. O que compartilhamos \u00e9 a performance do modelo, garantindo que os dados sens\u00edveis nunca deixem o ambiente hospitalar. Assim, o valor gerado vem do aprendizado colaborativo, sem os riscos da transfer\u00eancia de dados brutos.”<\/p>\n\n\n\n

A l\u00f3gica do federated learning \u00e9 que cada institui\u00e7\u00e3o treina localmente e contribui com modelos treinados, que podem ser compartilhados por meio da plataforma desenvolvida. O valor est\u00e1 no aprendizado coletivo de modelos, sem transfer\u00eancia do dado bruto.<\/p>\n\n\n\n

Como funciona o Federated learning na pr\u00e1tica<\/h3>\n\n\n\n

Cada institui\u00e7\u00e3o treina um modelo compartilhado dentro do pr\u00f3prio ambiente, usando seus dados locais, que permanecem protegidos e n\u00e3o s\u00e3o compartilhados. Esse modelo pode ter sido escolhido pela institui\u00e7\u00e3o na plataforma, a partir de uma publica\u00e7\u00e3o feita por outra institui\u00e7\u00e3o, ou pode ser compartilhado por ela ap\u00f3s o treinamento. O que circula n\u00e3o s\u00e3o prontu\u00e1rios ou exames, mas os par\u00e2metros aprendidos durante o treinamento.<\/p>\n\n\n\n

Com t\u00e9cnicas de deep learning<\/strong>, um servidor central re\u00fane essas atualiza\u00e7\u00f5es, combina os resultados e gera uma vers\u00e3o aprimorada do modelo. Em seguida, essa vers\u00e3o retorna \u00e0s institui\u00e7\u00f5es, que continuam o treinamento a partir do novo ponto, em ciclos sucessivos de melhoria.<\/p>\n\n\n\n

Manuella detalha o uso com um exemplo de aplica\u00e7\u00e3o cl\u00ednica. “O m\u00e9dico acessa a plataforma e seleciona um modelo espec\u00edfico, como um para triagem de c\u00e2ncer de pulm\u00e3o. Esse modelo \u00e9 baixado em um computador local da institui\u00e7\u00e3o, onde ele ‘aprende’ com os dados dos pacientes residentes. Uma vez treinado, o que volta para a rede n\u00e3o s\u00e3o os dados sens\u00edveis, mas sim o resultado desse aprendizado. \u00c9 um modelo de colabora\u00e7\u00e3o que respeita a LGPD nativamente, pois elimina a necessidade de transferir ou centralizar bases de dados, reduzindo drasticamente o atrito de conformidade.”<\/p>\n\n\n\n

Nesse ambiente, o modelo utiliza os dados dos pacientes da institui\u00e7\u00e3o para ser treinado localmente e, depois, republicado na plataforma como um modelo treinado.<\/p>\n\n\n\n

A explica\u00e7\u00e3o conecta, ent\u00e3o, a arquitetura das informa\u00e7\u00f5es com a privacidade, de forma objetiva. \u201cOs dados do paciente permanecem na m\u00e1quina local e n\u00e3o s\u00e3o compartilhados. O que \u00e9 enviado para fora \u00e9 apenas o resultado do processamento<\/em><\/strong>. Por isso, esse modelo \u00e9 relevante do ponto de vista da LGPD, j\u00e1 que reduz a circula\u00e7\u00e3o de informa\u00e7\u00f5es sens\u00edveis<\/em>\u201d, completa a especialista.<\/p>\n\n\n\n

Dessa forma, os modelos melhoram com a colabora\u00e7\u00e3o entre institui\u00e7\u00f5es, sem que os dados sens\u00edveis saiam do ambiente local. Esse desenho reduz o atrito com a gest\u00e3o e com a conformidade, porque diminui a necessidade de transferir, copiar e centralizar bases.<\/p>\n\n\n\n

Por que o Federated learning \u00e9 estrat\u00e9gico para IA na sa\u00fade?<\/h2>\n\n\n\n

Projetos de intelig\u00eancia artificial em sa\u00fade envolvem dados sens\u00edveis<\/strong> e exigem controle sobre como essas informa\u00e7\u00f5es s\u00e3o utilizadas. No federated learning, cada institui\u00e7\u00e3o treina o modelo dentro do pr\u00f3prio ambiente.<\/p>\n\n\n\n

Prontu\u00e1rios e exames n\u00e3o s\u00e3o compartilhados entre os participantes, e uma organiza\u00e7\u00e3o n\u00e3o tem acesso \u00e0s bases da outra. O que circula s\u00e3o os resultados do treinamento local, enviados a um servidor central para agrega\u00e7\u00e3o.<\/p>\n\n\n\n

Como as bases n\u00e3o saem de um per\u00edmetro seguro, diminui a necessidade de transfer\u00eancias complexas de dados<\/strong>. O controle local facilita a aplica\u00e7\u00e3o de pol\u00edticas de privacidade, auditoria e conformidade regulat\u00f3ria.<\/p>\n\n\n\n

A aus\u00eancia de compartilhamento entre institui\u00e7\u00f5es tamb\u00e9m reduz atritos entre \u00e1reas t\u00e9cnicas e de neg\u00f3cio. O projeto deixa de depender de acordos extensos de cess\u00e3o de dados para avan\u00e7ar e o ganho aparece em \u00e9tica, compliance e viabilidade de coopera\u00e7\u00e3o entre diferentes atores do setor.<\/p>\n\n\n\n

Outro efeito relevante \u00e9 o aumento da diversidade de dados utilizados no treinamento<\/strong>. Ao combinar contribui\u00e7\u00f5es de m\u00faltiplas institui\u00e7\u00f5es, o modelo reflete diferentes protocolos, equipamentos e perfis populacionais. A tend\u00eancia \u00e9 de maior robustez e capacidade de generaliza\u00e7\u00e3o em contextos fora do ambiente de origem.<\/p>\n\n\n\n

O volume ampliado e a variedade de cen\u00e1rios contribuem para reduzir vieses e melhorar a estabilidade do desempenho em situa\u00e7\u00f5es reais. Projetos bem estruturados acompanham esses resultados por meio de valida\u00e7\u00f5es externas e monitoramento cont\u00ednuo.<\/p>\n\n\n\n

A inova\u00e7\u00e3o ocorre com menos barreiras operacionais, j\u00e1 que o dado n\u00e3o precisa circular para que novas hip\u00f3teses sejam testadas. A governan\u00e7a sustenta esse arranjo no longo prazo<\/strong>. <\/p>\n\n\n\n

Manuella refor\u00e7a o ponto que costuma decidir o sucesso: \u201cExiste uma camada muito forte de governan\u00e7a. Porque n\u00e3o adianta ter tecnologia se voc\u00ea n\u00e3o tem pol\u00edtica de dados. Se voc\u00ea n\u00e3o tem clareza de quem \u00e9 dono do qu\u00ea\u201d.<\/p>\n\n\n\n

A defini\u00e7\u00e3o de direitos, responsabilidades, regras de acesso e crit\u00e9rios de auditoria mant\u00e9m a colabora\u00e7\u00e3o vi\u00e1vel e consistente.<\/p>\n\n\n\n

Aplica\u00e7\u00f5es da IA na sa\u00fade viabilizadas pelo Federated learning<\/h2>\n\n\n\n

As aplica\u00e7\u00f5es de IA na sa\u00fade<\/a> exigem valida\u00e7\u00e3o cl\u00ednica, rastreabilidade e integra\u00e7\u00e3o ao fluxo assistencial<\/strong>. O federated learning viabiliza coopera\u00e7\u00e3o mesmo quando a centraliza\u00e7\u00e3o de dados ocorre por sigilo, por estrat\u00e9gia ou por competi\u00e7\u00e3o.<\/p>\n\n\n\n

O m\u00e9todo permite que a institui\u00e7\u00e3o treine com dados locais e contribua com a melhoria do modelo. O ganho pode aparecer em triagens, no apoio ao diagn\u00f3stico e na prioriza\u00e7\u00e3o de casos, desde que haja valida\u00e7\u00e3o cl\u00ednica e governan\u00e7a.<\/p>\n\n\n\n

O aux\u00edlio \u00e0s an\u00e1lises por imagens \u00e9 um exemplo consolidado do potencial do treinamento de modelos na sa\u00fade. Nele, a vis\u00e3o computacional permite que os modelos fa\u00e7am indica\u00e7\u00f5es em n\u00edveis diferentes de complexidade. <\/p>\n\n\n\n

A ado\u00e7\u00e3o respons\u00e1vel tamb\u00e9m depende de um posicionamento claro para a equipe assistencial. Um modelo pode apoiar a decis\u00e3o, mas a responsabilidade cl\u00ednica continua com os profissionais.<\/strong><\/p>\n\n\n\n

Um consult\u00f3rio pode usar uma triagem para organizar agendas e encaminhamentos. Um hospital pode usar um apoio para priorizar casos em filas. Em todos os casos, o federated learning contribui ao tornar o modelo mais robusto sem expor bases.<\/p>\n\n\n\n

An\u00e1lise de imagens m\u00e9dicas com vis\u00e3o computacional<\/h3>\n\n\n\n

Projetos de vis\u00e3o computacional <\/a>em sa\u00fade costumam trabalhar com objetivos bem definidos. Em um exame de imagem, como na identifica\u00e7\u00e3o de um tumor, o modelo pode executar tarefas diferentes.<\/p>\n\n\n\n

A classifica\u00e7\u00e3o indica a presen\u00e7a ou aus\u00eancia de um achado. A detec\u00e7\u00e3o sugere a localiza\u00e7\u00e3o aproximada. A segmenta\u00e7\u00e3o delimita contornos com maior precis\u00e3o, quando o caso exige detalhamento.<\/p>\n\n\n\n

Grande parte dessas aplica\u00e7\u00f5es depende de treinamento supervisionado. O modelo aprende a partir de imagens previamente anotadas por profissionais, seguindo crit\u00e9rios t\u00e9cnicos consistentes. A qualidade desses r\u00f3tulos influencia m\u00e9tricas como sensibilidade, especificidade e estabilidade ao longo do tempo.<\/p>\n\n\n\n

O desenvolvimento n\u00e3o termina na primeira vers\u00e3o do modelo. Cada rodada envolve rotulagem, valida\u00e7\u00e3o e revis\u00e3o de erros identificados nos testes. A base de treinamento \u00e9 ampliada com contribui\u00e7\u00f5es de diferentes institui\u00e7\u00f5es, mas a defini\u00e7\u00e3o e revis\u00e3o dos r\u00f3tulos continua determinante para o resultado.<\/p>\n\n\n\n

Um raio X de m\u00e3o ilustra outra possibilidade. Em vez de classificar ou segmentar, o modelo pode estimar a idade aproximada do paciente por regress\u00e3o. Nesse caso, o sistema retorna um valor cont\u00ednuo, que exige valida\u00e7\u00e3o cuidadosa e an\u00e1lise estat\u00edstica consistente.<\/p>\n\n\n\n

O desempenho em tarefas como essa depende da diversidade de casos, de equipamentos e de protocolos de aquisi\u00e7\u00e3o. O federated learning contribui ao permitir que diferentes institui\u00e7\u00f5es treinem o modelo com suas pr\u00f3prias imagens, reunindo variedade de cen\u00e1rios sem centralizar os dados.<\/p>\n\n\n\n

N\u00edveis de aplica\u00e7\u00e3o da IA em imagens:<\/h4>\n\n\n\n

Na pr\u00e1tica, a sa\u00edda de um modelo de vis\u00e3o computacional varia conforme o objetivo cl\u00ednico e o n\u00edvel de detalhe necess\u00e1rio na interpreta\u00e7\u00e3o da imagem:<\/p>\n\n\n\n