宾夕法尼亚大学佩雷​​尔曼医学院与英特尔实验室合作开展一项研究，旨在通过使用一种称为联邦机器学习(Federated ML，简称 FL(Federated Learning)，简称 FL)的机器学习来改进脑肿瘤检测。两年后，该项目证明检测率提高了 33%，这对于早期检测和指导治疗方案可能具有无可估量的价值。

该研究专门针对胶质母细胞瘤，研究人员称胶质母细胞瘤是最常见和致命的成人脑肿瘤。尽管近几十年来治疗选择有所扩大，但总生存率并未显着提高。使用标准治疗的中位生存时间约为 14 个月，如果没有标准治疗则仅为 4 个月。

将机器学习应用于医学研究的最大挑战之一是在保护患者隐私的同时集中数据的过程。与集中式学习 (CL) 不同，集中式学习 (CL) 将所有数据聚合到一个桶中，FL 模型允许每个合作伙伴在本地保留其数据。FL 模型能够通过仅共享数字模型更新来跨越多个站点和组织，从而符合HIPAA和其他医疗保健法规要求。在这项研究中，能够从 6 大洲的 71 个站点收集数据。在研究胶质母细胞瘤等罕见疾病时，这种全球视野非常宝贵，目前每 100,000 人中就有 3 人患有这种疾病。

学习过程本身被应用于多参数磁共振成像(mpMRI)扫描，可以揭示大脑中胶质母细胞瘤的存在。这些肿瘤由三个主要的子隔室组成，区分这些边界所在的位置会影响治疗过程，包括手术或放疗。研究将边界检测过程描述为“多参数多类学习问题”。

每个参与站点都通过协调过程准备自己的数据，该过程可以解释不同地点之间的不同方法。mpMRI 扫描从医学数字成像和通信 (DICOM) 格式转换为神经影像信息学技术倡议 (NIfTI) 格式，该格式也消除了过程中的任何患者身份信息。在将扫描映射和归一化为体素的一些额外处理之后，应用蒙版以从图像中移除所有非脑组织。mpMRI 扫描是通过 [128, 128, 128] 大小的补丁随机采样的，作者指出，这些补丁能够放入至少具有11GB VRAM的离散 GPU 的内存中。