Dos 1.088 pacientes com carcinoma invasivo de mama reunidos no Fed-TCGA-BRCA, apenas 151 morreram durante o período de acompanhamento; os outros 937 estão censurados, ou seja, sobreviveram até o fim da janela de observação ou saíram do registro antes do desfecho, o que produz uma taxa de eventos de aproximadamente 13,9% [1]. Essa assimetria — muito mais censura do que evento — é o detalhe que separa um exercício de machine learning de um problema clínico real, e é ela que atravessa a avaliação multi-modelo de aprendizado federado para análise de sobrevivência assinada por Natalia Moreno-Blasco, Anusha Ihalapathirana, Pekka Siirtola e Miguel Fernandez-de-Retana [1]. O texto é um preprint depositado no arXiv, ainda sem revisão por pares [1], e deve ser lido com essa ressalva. A tese que este resumo defende é específica: o trabalho não elege um "melhor modelo" de sobrevivência federada, mas mostra que a escolha entre CoxPH, DeepSurv e Random Survival Forest depende do regime de restrição — e que o modelo centralizado, aquele que viu todos os dados, perde feio justamente na métrica que mais importa para a conversa com o paciente [1].
O problema: prever tempo até o evento com os dados trancados em seis lugares
A análise de sobrevivência modela o tempo até um evento de interesse — progressão, recidiva ou morte — e precisa lidar explicitamente com censura, o que a distingue de regressão e classificação convencionais [1]. No caso do câncer de mama, o tipo mais diagnosticado no mundo segundo o próprio artigo, estimativas confiáveis de tempo até o evento informam prognóstico e decisão terapêutica, mas exigem coortes grandes e diversas que raramente existem em uma única instituição [1]. Ao mesmo tempo, o Regulamento Geral de Proteção de Dados (GDPR) na Europa e o HIPAA nos Estados Unidos restringem a centralização de informação de pacientes, e modelos treinados em dados de um só hospital sofrem de dataset bias ou domain shift, podendo ainda reproduzir vieses demográficos e procedimentais da instituição de origem [1].
O aprendizado federado aparece como resposta: em vez de agregar dados, os clientes trocam parâmetros ou atualizações e mantêm os registros locais [1]. O artigo é explícito, porém, sobre o limite dessa promessa — compartilhar atualizações de modelo não garante privacidade absoluta, porque ataques de vazamento de gradiente podem reconstruir parcialmente as entradas privadas [1]. A coorte usada vem do benchmark FLamby e deriva do TCGA, com 39 features clínicas tabulares agrupadas em variáveis demográficas, patológicas, de diagnóstico e codificação, histórico clínico e estadiamento simplificado [1]. A heterogeneidade não é simulada: os seis centros originais variam de 51 a 311 pacientes, com taxa de eventos entre 5,6% e 19,9% e follow-up máximo entre 1.900 e 8.605 dias [1]. O centro 5 foi excluído por ter apenas três eventos em 51 pacientes, e os experimentos usam no máximo cinco clientes [1].
O desenho: três famílias de modelos, três paradigmas, até cinco clientes
O trabalho compara três modelos com suporte nativo a dados censurados [1]. O CoxPH é o baseline estatístico semi-paramétrico, estimado por máxima verossimilhança parcial, interpretável, mas dependente de risk sets globais que não existem quando os dados não podem ser compartilhados [1]. O DeepSurv substitui o termo linear por uma rede neural que prevê um escore de log-risco, treinada pela mesma log-verossimilhança parcial de Cox — e, portanto, também obrigada a aproximar localmente essa perda no regime federado [1]. O Random Survival Forest (RSF) cresce uma floresta de árvores de sobrevivência e agrega hazards cumulativos, sem suposições paramétricas [1]. No modo federado, o RSF segue a lógica do FedSurF++: cada cliente treina localmente, envia apenas metadados (número de árvores e de amostras), o servidor distribui as vagas globais com probabilidade proporcional ao tamanho local e cada cliente amostra suas árvores com probabilidade proporcional ao C-Index de validação — tudo em uma única rodada de comunicação [1].
Os três paradigmas são centralizado (referência de melhor caso), local (isolamento total) e federado (objetivo ponderado pelo tamanho de cada cliente) [1]. Para os modelos baseados em gradiente, testam-se FedAvg, FedProx e FedAdam, com orquestração via framework Flower [1]. O número de rodadas não é arbitrário: é calculado para igualar o orçamento total de passos de atualização do treinamento centralizado, e cada experimento é repetido dez vezes com sementes distintas [1]. As configurações de cinco, quatro e três clientes mapeiam-se aos centros {0,…,4}, {0,…,3} e {0,…,2}, de modo que reduzir clientes exclui distribuições inteiras em vez de redistribuir dados [1]. A validação interna adapta-se ao número de eventos (30%, 25% ou 20%, com mínimo de dois eventos não censurados), a normalização z-score é feita por cliente com estatísticas calculadas só no treino, e as métricas são C-Index, AUC dependente do tempo e Integrated Brier Score (IBS), avaliadas em uma grade de 100 pontos de tempo igualmente espaçados, definida para cada cliente [1].
Os números: onde o federado ganha, empata e perde
Os resultados separam-se por família de modelo, e essa separação é o achado central [1]. No CoxPH, o centralizado domina a discriminação — C-Index de 0,732 e AUC de 0,697 com cinco clientes, contra 0,611 e 0,600 no federado com FedAvg e 0,598 e 0,606 no local — mas o federado entrega o melhor IBS em todas as configurações: 0,155 contra 0,167 do local e 0,290 do centralizado [1]. No DeepSurv, a ordem se inverte de forma surpreendente: o federado supera o centralizado, com C-Index de 0,727 contra 0,707, AUC de 0,702 contra 0,684 e IBS de 0,148 contra 0,269, enquanto o local fica em 0,618 [1]. O artigo levanta como hipótese a dinâmica do treinamento federado: a agregação de atualizações heterogêneas pode ter efeito regularizador e, assim, favorecer a generalização [1].
O RSF, por sua vez, produz a melhor combinação geral: no federado com cinco clientes, C-Index de 0,724, AUC de 0,678 e IBS de 0,138, contra 0,746, 0,720 e 0,245 do centralizado e 0,687, 0,665 e 0,152 do local [1]. O número de árvores foi fixado em 100 após experimentos preliminares com 20, 50, 100 e 200, por equilibrar desempenho e custo computacional [1]. Na comparação cruzada sob aprendizado federado, RSF e DeepSurv superam o CoxPH em todos os clientes no C-Index e na AUC, e o RSF lidera no IBS em todas as configurações de clientes [1]. O detalhe estatístico importa: em várias dessas comparações, os valores federados não apresentam diferença significativa em relação ao centralizado segundo o teste post-hoc de Dunn com p > 0,05 [1]. Ou seja, a distância entre o modelo que viu tudo e o modelo que viu por partes, em discriminação, é menor do que a leitura crua das médias sugere.
O paradoxo da calibração — e por que a obsessão com C-Index está mal direcionada
Aqui vale assumir uma posição. A literatura de análise de sobrevivência tem o reflexo de ranquear modelos pelo C-Index, e o próprio artigo cede a esse reflexo ao destacar que o centralizado obtém a melhor discriminação em CoxPH e RSF [1]. Mas o número mais desconfortável do estudo é outro: o IBS do modelo centralizado é quase o dobro do federado nos três modelos — 0,290 contra 0,155 no CoxPH, 0,269 contra 0,148 no DeepSurv, 0,245 contra 0,138 no RSF [1]. O IBS mede o erro quadrático das probabilidades de sobrevivência preditas ao longo do tempo [1]. Em oncologia, é essa probabilidade — "qual a chance de o paciente estar vivo em dois anos" — que entra na conversa clínica; a ordenação de risco é útil para estratificar coortes, mas não substitui a estimativa probabilística. A defesa que faço é que o campo está otimizando a métrica errada quando trata calibração como atributo secundário, e o dado do artigo sustenta a provocação [1].
A ressalva honesta é que o trabalho não investiga o mecanismo desse ganho de calibração. O texto registra que o federado obtém o menor IBS em todas as configurações, mas não decompõe se o efeito vem da média implícita entre clientes, do efeito regularizador da heterogeneidade ou simplesmente da menor confiança das predições agregadas [1]. É um resultado robusto e uma explicação em aberto — e a diferença entre as duas coisas deveria estar explícita no texto. Vale notar também que o artigo relata que a calibração tende a piorar à medida que clientes são removidos, com IBS em geral crescente nas tabelas, sugerindo que a estimativa de probabilidades é sensível à diversidade de tempos observados [1].
Otimização federada e heterogeneidade: o simples vence o adaptativo
Nos dois modelos baseados em gradiente, FedAvg e FedProx empatam na prática e FedAdam fica atrás [1]. No CoxPH com três clientes, FedAvg alcança C-Index de 0,609 e IBS de 0,213, FedProx marca 0,605 e 0,213, e FedAdam cai para 0,568 e 0,217 [1]. No DeepSurv, FedAvg lidera com cinco clientes (0,727 de C-Index e 0,702 de AUC), enquanto FedProx é o melhor na configuração de três clientes, com C-Index de 0,748, AUC de 0,676 e IBS de 0,197 — o melhor resultado global daquele cenário [1]. O artigo lê isso como esperado: o termo proximal do FedProx limita a divergência entre modelo local e global sob distribuições heterogêneas, mas o ganho sobre um FedAvg bem ajustado permanece marginal, e o FedAdam exigiria ajuste fino de hiperparâmetros para competir [1].
A heterogeneidade reserva o resultado mais contraintuitivo do estudo: o desempenho não decresce monotonicamente com a redução do número de clientes [1]. Não há tendência consistente de melhora ou piora ao passar de cinco para três clientes em nenhum dos modelos, o que sugere que o desempenho depende do tipo de distribuição incluída, não da contagem de clientes [1]. Para quem projeta sistemas federados em saúde, isso tem consequência prática direta: adicionar hospitais não é automaticamente melhor, e a composição da federação — não seu tamanho — é a variável de projeto.
Discussão: o que a comparação entrega e o que ela deixa em aberto
O artigo cumpre o que a maioria dos trabalhos da área não cumpre: compara famílias de modelos distintas sob paradigmas controlados, na mesma coorte, com o mesmo esquema de validação e dez repetições por configuração [1]. Daí extrai diretrizes orientadas à decisão, mapeando restrições de dados, privacidade, interpretabilidade e recursos computacionais para escolhas recomendadas de modelo e paradigma de treinamento [1]. Para uma audiência de tecnologia, três conclusões operacionais sobressaem: o RSF federado entrega o melhor equilíbrio entre discriminação, calibração e robustez e exige apenas uma rodada de comunicação, o que reduz drasticamente o custo de rede frente a métodos iterativos [1]; o FedAvg é uma linha de base competitiva, e o FedProx pode dar robustez adicional aos modelos neurais quando as distribuições dos clientes divergem [1]; e o CoxPH permanece vantajoso sobretudo em cenários mais homogêneos e orientados à interpretabilidade [1].
As limitações, porém, são reais e o texto as delimita ao restringir os achados à configuração experimental adotada [1]. A federação tem no máximo cinco clientes, e um dos seis centros originais foi descartado por escassez de eventos [1]. Os dados são tabulares e clínicos — 39 features — de uma única doença e de uma única fonte (TCGA via FLamby) [1]. Não há avaliação de privacidade formal: o artigo reconhece o risco de vazamento por gradiente, mas não testa privacidade diferencial nem agregação segura [1]. E o FedAdam pode ter sido penalizado por falta de ajuste fino, hipótese que os próprios autores levantam [1].
Conclusão
O achado que merece sobreviver a este preprint é o descolamento entre discriminação e calibração sob descentralização: o modelo centralizado ordena melhor os pacientes, mas estima pior as probabilidades, e é a probabilidade q
ue a clínica consome [1]. A partir daí, três direções se impõem. A primeira é ampliar a federação para muito além de cinco clientes, já que o estudo mostra que a composição importa mais que a contagem [1]. A segunda é incorporar garantias formais de privacidade — privacidade diferencial e agregação segura — hoje ausentes da avaliação [1]. A terceira é investigar o mecanismo por trás do ganho de calibração federado, que o artigo mede com clareza e explica apenas por hipótese [1]. Enquanto isso, a mensagem prática é desconfortável para quem esperava um vencedor único: em saúde federada, o modelo certo depende do regime de restrição, e a única recomendação defensável é escolher com base nele [1].
Referências
[1] Natalia Moreno-Blasco, Anusha Ihalapathirana, Pekka Siirtola, Miguel Fernandez-de-Retana. Federated Survival Analysis in Healthcare: A Multi-Model Evaluation on Cross-Institutional Heterogeneous Breast Cancer Data. arXiv, 2026 (preprint) — https://arxiv.org/abs/2606.23871