大腸がんの早期発見と診断支援のため、ポリープの自動分割技術は医療現場において重要な役割を担っています。しかし従来の集中型深層学習では、医療機関が機密性の高い患者データを共有する必要があり、プライバシー保護の観点から課題がありました。一方、プライバシーを保護する連合学習は複数の医療機関が協力できる利点がある一方で、繰り返される完全精度のモデルパラメータ送信により通信コストが大幅に増加するという問題を抱えていました。 QFedPolypは、この課題に対応するために開発された通信効率と推論効率を両立させた新しい連合学習フレームワークです。本手法は、量子化認識訓練と低精度モデル通信を組み合わせることで実現されています。各医療機関が所有する患者データを用いて軽量なU-Netをローカルで訓練する際に、訓練プロセス中に量子化をシミュレートします。その後、量子化されたモデルパラメータを中央サーバーに送信し、サーバー側で復元・集約されます。 複数のポリープセグメンテーションデータセット（Kvasir-SEG、CVC-ClinicVideoDB、PolypGen、BKAI-IGH NeoPolyp）を用いた評価結果は優れた成果を示しています。完全精度での連合学習ではKvasir-SEGで0.910、CVC-ClinicVideoDBで0.930のDiceスコアを達成しました。8ビット均一量子化により通信コストを約4倍削減できた一方で、セグメンテーション精度は競争力を保ち、推論速度は完全精度モデルと比較して最大1.5倍高速化されました。 この研究成果により、プライバシーを保護しながら複数機関が協力できる環境で、通信オーバーヘッドを削減し、かつ高速推論を実現する軽量なモデルを構築することが可能になります。これは臨床現場での実時間診断支援システムへの実装に適した実用的なソリューションとなります。