Ir para o conteúdo

Análise detalhada dos trabalhos relacionados — HDT-AF

Base analisada: trabalhos relacionados da apresentação em paper/proposta/slide1/slides-apresetacao-problema.tex (PDF atual: páginas 8–11).
Data desta atualização: 25 de outubro de 2026.
Escopo vigente da seleção no slide: artigos que propõem explicitamente arquitetura, framework ou sistema de aprendizado de máquina associado a gêmeos humanos/de saúde. A seleção atual contém cinco estudos; a análise ampliada abaixo permanece como registro da triagem anterior, não como conjunto atualmente selecionado.

Recorte vigente da seleção

Estudo Evidência que atende ao recorte
Joo et al. (2024) Arquitetura de gêmeos de diagnóstico conectados entre provedores, com FL e proteção blockchain/IPFS.
Fortino et al. (2025) Arquitetura de gêmeo federado para diabetes, com pods pessoais, armazenamento descentralizado, FL e dados sintéticos.
Cadavid et al. (2025) MyDigiTwin integra gêmeos de saúde e ambientes pessoais, Personal Health Train e harmonização para treino federado de risco cardiovascular.
Tulasi et al. (2025) Arquitetura de saúde IoT que integra gêmeos de pacientes, FL na borda, compressão e proteção blockchain/MPC.
Yang et al. (2026) Framework de gêmeo centrado no paciente com IoMT, aprendizado multimodal federado e explicabilidade.

Foram excluídos da seleção do slide: (i) surveys e textos conceituais sem arquitetura/sistema proposto; (ii) trabalhos de FL sem HDT; (iii) estudos cujo foco principal é uma tarefa ou algoritmo clínico específico, sem contribuição de infraestrutura; e (iv) infraestruturas FL genéricas sem integração explícita com gêmeos humanos/de saúde. Essa regra delimita a tabela, não afirma que os trabalhos excluídos sejam irrelevantes para a revisão ampla.

Correspondência entre literatura e objetivos da HDT-AF

Objetivo O que os trabalhos selecionados oferecem Relação e questão para a HDT-AF
OE1 — Especificar estados, participação, fronteiras de confiança e propriedades verificáveis Joo et al. descrevem coordenação/proteção em rede de gêmeos; Fortino et al. tratam pods pessoais e consentimento; MyDigiTwin aborda ambientes pessoais e harmonização. Formalizar estados e regras verificáveis por experimento/rodada, com autorização revogável e preflight local. A tabela não atribui aos artigos um fluxo comum de preflight.
OE2 — Construir controles no ciclo de treinamento e validação Os cinco estudos combinam HDT e FL com enfoques distintos: compartilhamento protegido, dados sintéticos, Personal Health Train, borda/MPC e FL multimodal explicável. Integrar admissão, isolamento entre modelos locais, coordenação de ciclos concorrentes e validação antes da adoção do modelo no HDT.
OE3 — Comparar execução, proteção, qualidade e custo As avaliações e mecanismos reportados atendem a contextos e objetivos específicos de cada proposta; não constituem uma comparação comum. Medir efeitos conjuntos sob participação variável e concorrência, incluindo correção de execução, proteção, qualidade preditiva e custo.
OE4 — Delimitar condições, limitações e reprodutibilidade As propostas diferem em escopo e nível de avaliação, portanto seus resultados não são intercambiáveis nem demonstram implantação em produção por si sós. Registrar versões, topologias, cargas, autorização e métricas; indicar evidência insuficiente quando uma capacidade ou condição não estiver descrita.

Essa correspondência posiciona a inovação como integração operacional e avaliação comparável de capacidades parciais já presentes na literatura. Ela não sustenta a alegação de que FL para HDTs, consentimento, segurança ou explicabilidade sejam inéditos isoladamente.

Matriz sistemática das capacidades operacionais

A apresentação passou a avaliar os cinco estudos selecionados com os mesmos seis eixos. A marcação distingue D (capacidade descrita) e I (implementada e avaliada no artigo); ND significa que a publicação consultada não descreve evidência suficiente, e A fica reservado a uma indisponibilidade que os próprios autores declarem explicitamente. Assim, ND não deve ser interpretado como prova de que a capacidade inexiste no sistema. Nenhum dos seis eixos abaixo recebeu A.

Estudo Experimentos concorrentes independentes Revogação de consentimento Preflight bloqueante Isolamento por experimento Proveniência do modelo Unidades participantes e organização topológica
Joo et al. (2024) ND ND ND ND I* Hospitais/provedores conectados a agregador (cross-silo)
Fortino et al. (2025) ND ND† ND ND ND Pods pessoais em níveis local, edge e nuvem
Cadavid et al. (2025) ND ND ND ND ND‡ Ambientes pessoais/nós Vantage6 com dados distribuídos
Tulasi et al. (2025) ND ND ND ND ND Dispositivos IoMT e nós de borda
Yang et al. (2026) ND§ ND† ND ND D¶ Dispositivos do paciente/IoMT em arquitetura multinível

* Joo avalia versionamento/rollback de parâmetros, sem demonstrar proveniência completa da autorização à adoção. † Consentimento/controle de acesso geral não comprova revogação do consentimento individual durante uma rodada ativa. ‡ O histórico de versões de regras não cobre o ciclo de vida do modelo. § A escala de usuários concorrentes relatada não equivale à execução de experiências federadas independentes. ¶ Auditoria de acesso não equivale à proveniência ponta a ponta.

Plataformas operacionais próximas

As plataformas abaixo não pertencem ao conjunto de cinco propostas de HDT. Entram como referências de operação FL, com critérios iguais; seus recursos gerais não devem ser atribuídos automaticamente a HDTs.

Plataforma Experimentos concorrentes independentes Revogação de consentimento Preflight bloqueante Isolamento por experimento Proveniência do modelo Unidades participantes e organização topológica
Substra (Galtier e Marini, 2019) ND* ND D† ND D Nós de provedores independentes (cross-silo)
Fed-BioMed (Cremonesi et al., 2025) ND ND‡ D§ ND D Nós clínicos e pesquisador/agregador (cross-silo)
Flower (Beutel et al., 2020) ND¶ ND ND ND ND Clientes móveis/embarcados, simulados e reais (cross-device)
IBM FL (Ludwig et al., 2020) ND ND ND ND ND Agregador e parties em organizações/nuvens; também edge/móvel

* Planos paralelos do Substra e clientes concorrentes do Flower descrevem paralelismo dentro de um plano/experimento, não execução coordenada de experimentos independentes. † Substra aplica permissões antes da admissão de tarefas à rede; isso é um gate de autorização, não o preflight local completo pretendido pela HDT-AF. ‡ A retirada da disponibilidade de um conjunto de dados no Fed-BioMed não comprova revogação do consentimento individual. § O Fed-BioMed descreve a aprovação do hash do plano de treinamento no nó antes da execução; é uma checagem de código/execução, não de consentimento ou prontidão dos dados. ¶ Flower descreve experimentos de grande escala, clientes simultâneos dentro de uma execução e implantação em dispositivos reais; isso não estabelece concorrência de experimentos independentes. A proveniência assinalada para Substra/Fed-BioMed refere-se à rastreabilidade das operações documentada nos artigos, não necessariamente a todo o ciclo de validação e adoção do modelo.

Análise por linha e por valor

Substra — ND* / ND / D† / ND / D. A marca ND* para experimentos simultâneos evita converter “parallel computation plan”, uma forma de paralelismo dentro de um plano, em evidência de vários experimentos autônomos com autorizações e estados próprios. Revogação de consentimento e isolamento entre experimentos não são descritos com esses critérios. O D† em preflight reconhece a verificação antecipada de permissões: o artigo diz que regimes de permissão impedem que tarefas não autorizadas sejam adicionadas ao ledger. É uma barreira de admissão/autorizações, mas o texto não estabelece validação local de consentimento vigente, dados disponíveis e contrato específico por rodada. O D em proveniência é apoiado pela trilha no ledger, metadados de execução e armazenamento de modelos intermediários para rastrear operações e reverter uma etapa problemática. Isso é mais forte do que simples logs, embora não deva ser lido automaticamente como prova de consentimento individual ou do processo de adoção clínica do modelo.

Fed-BioMed — ND / ND‡ / D§ / ND / D. A publicação descreve controle de treinamento pelo nó clínico, aprovação de planos e governança de dados. O D§ em preflight se refere especificamente ao hash do código do TrainingPlan: o nó compara o plano solicitado com o que foi aprovado e só executa se houver correspondência; pode ainda impor parâmetros por segurança e uso de recursos. Esse gate não verifica, por si só, consentimento individual vigente nem isolamento de modelos/estado entre experimentos. O valor de revogação deve ser ND‡: o artigo permite retirar a disponibilidade de um dataset pelo provedor, mas não descreve revogação de consentimento da pessoa durante a rodada. O D de proveniência corresponde aos mecanismos de rastreabilidade de operações/ledger abordados no sistema; não implica que o artigo tenha avaliado uma cadeia completa até validação e adoção do modelo. A realização de várias atividades interativas ou etapas de pré-processamento compostas por experimentos também não demonstra concorrência independente.

Flower — ND¶ / ND / ND / ND / ND. O artigo enfatiza escalabilidade em número de clientes, heterogeneidade e transição de simulações para dispositivos reais. São experimentos em grande escala e há execução concorrente de clientes dentro de uma mesma federação; isso mede escalabilidade da rodada, não coordenação de experimentos simultâneos com contratos, participantes e modelos isolados. Por isso, a célula continua ND¶. A topologia cross-device tem evidência direta: o trabalho relata simulação e implantação em dispositivos móveis/embarcados, inclusive Android. O artigo não documenta os mecanismos da matriz para consentimento revogável, preflight antes do acesso local, isolamento entre experimentos ou proveniência do modelo; essas células são ND, sem inferir que versões atuais do Flower necessariamente não tenham tais recursos.

IBM FL — ND / ND / ND / ND / ND. O documento descreve uma infraestrutura enterprise com agregador e parties, aplicável a dados em múltiplos data centers e nuvens, inclusive sob fronteiras organizacionais. Também menciona cenários móveis e edge. Isso justifica a topologia declarada, mas não permite concluir que todos esses regimes foram implementados e avaliados no artigo como uma topologia dupla equivalente aos cenários da HDT-AF. A publicação não descreve, com os critérios estritos da matriz, experimentos independentes concorrentes, revogação de consentimento, preflight bloqueante, isolamento por experimento ou proveniência ponta a ponta; ND registra esse limite documental.

Como interpretar os códigos e limites. D quer dizer que a publicação descreve a capacidade ou um mecanismo relacionado; I é reservado a uma capacidade cuja implementação e avaliação são demonstradas no artigo; ND quer dizer que o texto consultado não documenta a capacidade segundo o critério da coluna; A só caberia se os próprios autores declarassem indisponibilidade. Logo, nenhum ND é uma afirmação de ausência no software. As colunas também têm semânticas distintas: topologia é uma descrição do contexto de implantação, enquanto os demais campos são capacidades operacionais; suporte a topologia não prova isolamento, governança ou concorrência entre experimentos.

Na coluna unidades participantes e organização topológica, a descrição identifica os tipos de nós/participantes e, quando o artigo informa, as relações entre dispositivo, instituição, agregador, edge e nuvem. Os termos cross-device e cross-silo indicam respectivamente participação de dispositivos de usuários e colaboração entre instituições/organizações. “Multinível” indica camadas de processamento reportadas. Essas descrições resumem o escopo arquitetural documentado e não afirmam que cada combinação tenha sido implementada ou avaliada experimentalmente.

As matrizes sustentam uma conclusão delimitada: as capacidades aparecem em partes e com semânticas diferentes; os textos consultados não demonstram sua operação conjunta em experimentos concorrentes com participação variável. A comparação deve ser refeita para cada versão/configuração concreta usada como baseline experimental, registrando documentação, recursos habilitados e condições de execução.

Os resumos e textos integrais dos cinco itens foram conferidos pela API HTTP do banco de artigos. A tabela do slide descreve propostas arquiteturais e não presume implantação em produção. A análise ampliada abaixo reúne estudos/frameworks triados anteriormente e deve ser lida como suporte à decisão de inclusão/exclusão, não como lista vigente de selecionados.

Análise ampliada da triagem anterior

As subseções seguintes preservam a revisão mais ampla de estudos HDT, FL e plataformas genéricas feita em 16 de outubro de 2026. Ela não substitui o recorte vigente acima.

Como ler esta análise

A tabela da apresentação é uma síntese de cobertura temática, não uma avaliação de eficácia. Uma marcação “sim” deve indicar que o trabalho trata de modo explícito e verificável a dimensão correspondente; apenas citar um conceito não demonstra que ele foi implementado. Em particular, privacidade por aprendizado federado, uso de blockchain, governança de consentimento e suporte a duas topologias são propriedades diferentes.

Os resumos abaixo distinguem a contribuição documentada do estudo, sua relação com a proposta e os limites da comparação. Quando o registro público consultado não disponibiliza resumo ou texto integral, isso é indicado para evitar atribuir ao trabalho resultados não verificados. As conclusões sobre a lacuna são relativas aos itens dessa tabela; não afirmam que toda a literatura existente foi coberta.

1. Lin et al. (2024) — Human digital twin: a survey

Referência. Yujia Lin et al. “Human digital twin: a survey”. Journal of Cloud Computing, 13, artigo 131, 2024. DOI: 10.1186/s13677-024-00691-z.

Objetivo e contribuição. É uma revisão ampla do campo de gêmeos digitais humanos. Os autores analisam 327 publicações, organizam conceitos, tecnologias, arquiteturas e aplicações e propõem uma arquitetura genérica de HDT com blocos funcionais e tecnologias associadas. A revisão percorre saúde, indústria e vida cotidiana, e discute desafios tecnológicos, sociais e éticos. Sua contribuição principal é oferecer um mapa conceitual e uma estrutura de referência para um domínio ainda em formação.

Relação com HDT-AF. Dá sustentação à definição de HDT, à variedade de fontes multimodais e à necessidade de uma arquitetura de referência. A revisão discute aprendizado federado como alternativa para manter dados no cliente e também apresenta blockchain como tecnologia potencial para segurança e confiança em sistemas de HDT.

Limites e leitura crítica. É uma revisão, não uma plataforma federada implementada nem um experimento de governança por ledger. Portanto, a marcação “Ledger ✓” da tabela só é defensável se significar “a revisão discute blockchain”; ela não deve ser interpretada como auditabilidade operacional implementada. Pelo mesmo critério estrito, a presença de FL na discussão não equivale a um sistema HDT-AF com protocolo de rodadas, preflight e controle de consentimento. Sugestão para a matriz: classificar como “HDT: sim; FL: discutido; ledger implementado: não”, ou explicitar uma categoria distinta para “tecnologia revisada”.

2. Nagaraj et al. (2023) — Augmenting Digital Twins with Federated Learning in Medicine

Referência. Divya Nagaraj, Priya Khandelwal, Sandra Steyaert e Olivier Gevaert. “Augmenting Digital Twins with Federated Learning in Medicine”. The Lancet Digital Health, 5(5), e251–e253, 2023. DOI: 10.1016/S2589-7500(23)00044-4 · texto no PubMed Central.

Objetivo e contribuição. O texto discute a combinação de gêmeos digitais clínicos e aprendizado federado. Seu argumento é que coletar centralmente os dados necessários para treinar modelos de gêmeos clínicos entra em tensão com requisitos de privacidade; FL pode permitir colaboração sem reunir os registros brutos e, assim, apoiar o desempenho dos modelos clínicos personalizados. É uma peça conceitual breve que motiva a integração dos paradigmas.

Relação com HDT-AF. Ajuda a justificar a interseção HDT + FL e o princípio de manter dados clínicos distribuídos. Serve como motivação científica e clínica para a proposta.

Limites e leitura crítica. Não descreve uma arquitetura operacional completa, comparação experimental, governança de contrato/consentimento, validação prévia de clientes ou auditoria de rodadas em ledger. Não deve ser apresentado como implementação concorrente da HDT-AF. A força do artigo está em formular a motivação e os benefícios esperados, não em demonstrar que esses controles estão resolvidos.

3. Fortino et al. (2025) — Federated Digital Twin Architecture with Synthetic Data Generation for Privacy-Preserving Diabetes Management

Referência. Luigi Fortino, Simone De Vita, Michelangelo Esposito e Christian Esposito. “Federated Digital Twin Architecture with Synthetic Data Generation for Privacy-Preserving Diabetes Management”. Anais da 2025 IEEE Conference on Standards for Communications and Networking (CSCN), pp. 1–6, 2025. DOI: 10.1109/CSCN67557.2025.11230756.

Objetivo e contribuição identificável. Pelo título e registro bibliográfico, o trabalho combina arquitetura de gêmeo digital federado, geração de dados sintéticos e cuidado de diabetes com foco em privacidade. Na tabela do slide, é resumido como “armazenamento descentralizado e GDPR”. Esses elementos o colocam próximo da motivação do HDT-AF: colaboração sobre dados de saúde sem depender exclusivamente de centralização.

Relação com HDT-AF. É um precedente direto de FL aplicada a HDT em saúde. A ênfase em dados sintéticos sugere um eixo de proteção/compartilhamento complementar ao confinamento local do dado bruto.

Limites e leitura crítica. O registro público localizado durante esta análise não expôs resumo ou texto integral acessível; por isso, não atribuo ao artigo detalhes de protocolo, resultados quantitativos, tipo de ledger, consentimento ou controle GDPR além do que consta no título e na descrição comparativa da apresentação. A célula “Ledger” está marcada como ausente no slide, e não há evidência consultada aqui para contestar essa classificação. Ação bibliográfica recomendada: anexar o texto completo ou atualizar o registro com resumo, cenário de avaliação, papel exato dos dados sintéticos e mecanismos concretos de conformidade antes de usar esse estudo para sustentar afirmações específicas.

4. Cadavid et al. (2025) — MyDigiTwin

Referência. Héctor Cadavid et al. “MyDigiTwin: A Privacy-Preserving Framework for Personalized Cardiovascular Risk Prediction and Scenario Exploration”. Computers in Biology and Medicine, 198, artigo 111180, 2025. DOI: 10.1016/j.compbiomed.2025.111180 · preprint arXiv:2501.12193.

Objetivo e contribuição. MyDigiTwin conecta um ambiente pessoal de saúde a um gêmeo digital cardiovascular para permitir que indivíduos explorem cenários personalizados de saúde. O trabalho usa aprendizado federado para treinar preditores em conjuntos distribuídos sem transferir registros brutos e propõe harmonização de dados para lidar com diferenças semânticas e de formato entre fontes. O artigo relata uma prova de conceito de harmonização e treinamento para predição de risco cardiovascular.

Relação com HDT-AF. É um dos paralelos mais próximos por integrar HDT, saúde, FL, privacidade e harmonização de dados. Mostra que interoperabilidade e semântica dos dados são problemas centrais além do algoritmo de agregação.

Limites e leitura crítica. O foco é uma aplicação cardiovascular e a integração/harmonização dos dados. A tabela não atribui suporte a topologias duplas, preflight, contrato ou ledger; isso é coerente com a diferença entre um framework de predição federada e uma infraestrutura que impõe autorização operacional por rodada. Privacidade preservada por FL não implica imunidade a inferência sobre atualizações nem demonstra consentimento granular e revogável. A prova de conceito demonstra viabilidade, mas não deve ser confundida com validação clínica ampla.

5. Wakili et al. (2025) — TwinSegNet

Referência. Almustapha A. Wakili et al. “TwinSegNet: A Digital Twin-Enabled Federated Learning Framework for Brain Tumor Analysis”. 2025 IEEE Virtual Conference on Communications (VCC), 2025. DOI: 10.1109/VCC67261.2025.11351199 · preprint arXiv:2512.17488.

Objetivo e contribuição. TwinSegNet combina FL e gêmeos digitais para segmentação de tumores cerebrais em imagens de ressonância. A proposta usa um modelo híbrido ViT-UNet; cada instituição ajusta o modelo global com seus próprios dados para formar uma representação personalizada do paciente. O preprint relata avaliação em nove conjuntos heterogêneos de MRI e resultados de segmentação, incluindo Dice de até 0,90.

Relação com HDT-AF. Demonstra uma aplicação concreta de HDT + FL em saúde e uma forma de personalização local. É útil para comparar como um gêmeo por paciente pode ser associado ao ajuste de modelos locais.

Limites e leitura crítica. A contribuição é centrada numa tarefa e arquitetura de segmentação médica específica. A descrição não indica uma plataforma independente de tarefa, um protocolo de consentimento por experimento, verificação preflight, auditoria em ledger ou suporte formal a On-Device e Edge FL. Métricas elevadas em conjuntos de imagem não demonstram por si só generalização clínica nem equivalência de segurança. A tabela classifica corretamente a especialização e a ausência dos mecanismos de governança alegados para HDT-AF.

6. Zema et al. (2025) — Federated Learning Meets Digital Twins

Referência. Pietro Zema, Chiara Suraci, Antonella Molinaro e Giuseppe Araniti. “Federated Learning Meets Digital Twins: Adaptive Multimodal Health Monitoring with Entropy-Based Client Selection”. 2025 IEEE International Conference on E-health Networking, Application & Services (HealthCom), pp. 1–6, 2025. DOI: 10.1109/Healthcom60686.2025.11342944 · registro institucional com resumo.

Objetivo e contribuição. O trabalho propõe monitoramento de saúde multimodal com sinais de atividade eletrodérmica, temperatura, PPG e ECG. Clientes são dispositivos de monitoramento. Uma estratégia baseada em entropia classifica dinamicamente os clientes pela incerteza das previsões locais; a seleção também considera bateria, capacidade de processamento e estabilidade de rede. O resumo relata melhora de generalização e velocidade de convergência em comparação com FL sem seleção de clientes.

Relação com HDT-AF. É o estudo da tabela mais diretamente relacionado à seleção adaptativa e à heterogeneidade de recursos em HDT/saúde. Sustenta a inclusão de recursos do cliente e qualidade/incerteza da previsão no desenho de participação.

Limites e leitura crítica. Seleção por entropia e recursos não é necessariamente “preflight”: o preflight da HDT-AF deve ser uma verificação local, explícita e bloqueante das condições operacionais, estatísticas e jurídicas antes de acessar dados e treinar. O estudo trata de seleção de clientes para melhorar aprendizado, mas o resumo consultado não aponta contrato, consentimento por rodada ou ledger. A tabela marca “Preflight ×”, o que é adequado se o termo estiver reservado à validação preventiva formal.

7. Joo et al. (2024) — Blockchain and Federated Learning Empowered Digital Twin for Effective Healthcare

Referência. Yunsang Joo, David Camacho, Biagio Boi, Christian Esposito e Chang Choi. “Blockchain and Federated Learning Empowered Digital Twin for Effective Healthcare”. Human-centric Computing and Information Sciences, 14, pp. 22–42, 2024. DOI: 10.22967/HCIS.2024.14.051 · registro e resumo da KCI.

Objetivo e contribuição. Os autores propõem uma arquitetura de gêmeos digitais em rede para diagnóstico colaborativo entre provedores de saúde. FL evita a troca de amostras médicas, enquanto blockchain é usada como proteção contra envenenamento de dados. O estudo avalia a proposta em cenário emulado com heterogeneidade; o resumo relata acurácia próxima ao caso sem ataque (diferença de 10%) sob o ataque avaliado e acurácia aproximada de 0,8 em determinados modelos.

Relação com HDT-AF. É um precedente importante de integração tripla: HDT, FL e blockchain no domínio de saúde. Também torna explícita a segurança contra participantes/atualizações maliciosos, dimensão distinta da privacidade.

Limites e leitura crítica. Blockchain para defesa contra envenenamento não equivale automaticamente a governança de consentimento, registro de proveniência completo ou ledger permissionado com política de retenção. O resumo consultado não indica contrato de experimento nem validação de preflight. A avaliação é emulada; não deve ser descrita como implantação clínica. A marca “Ledger ✓” pode ser mantida apenas com uma nota de que o papel demonstrado é defesa/coordenação por blockchain, não necessariamente a mesma função de auditoria proposta pela HDT-AF.

8. Kumar et al. (2025) — Federated and Explainable Ethical Digital Twin Framework for Smart Hospitals

Referência. R. Kumar et al. “Federated and Explainable Ethical Digital Twin Framework for Smart Hospitals: Towards Responsible and Trustworthy AI in Healthcare”. Anais da 2025 2nd International Conference on Artificial Intelligence for Innovations in Healthcare Industries (ICAIIHI), pp. 1–7, 2025. DOI: 10.1109/ICAIIHI67124.2025.11403823.

Objetivo e contribuição. O trabalho apresenta uma arquitetura em camadas para hospitais inteligentes, combinando aquisição de dados por IoT, FL, explicabilidade (XAI) e trilhas de auditoria em blockchain. A proposta enquadra princípios éticos de governança ao longo do processamento e usa monitoramento de pacientes em UTI como estudo de caso descrito no registro bibliográfico.

Relação com HDT-AF. Aproxima-se por integrar FL, HDT/saúde, explicabilidade e blockchain, ressaltando que confiabilidade clínica também requer interpretação e responsabilização, não apenas acurácia.

Limites e leitura crítica. O material público consultado para esta análise não permitiu inspecionar o texto integral; portanto, não tomo como validados os números de desempenho apresentados em registros secundários. A marcação “Ledger ✓” parece compatível com a menção explícita a trilhas de auditoria, mas não demonstra que o mecanismo seja permissionado, que registre proveniência de modelos por rodada ou que ofereça controles revogáveis por titular. A tabela também marca contrato e preflight como ausentes: a arquitetura ética em nível de princípios não deve ser confundida com uma barreira executável antes de cada treino.

9. Galtier e Marini (2019) — Substra

Referência. Mathieu N. Galtier e Camille Marini. “Substra: a framework for privacy-preserving, traceable and collaborative Machine Learning”. White paper/preprint, 2019. arXiv:1910.11567.

Objetivo e contribuição. Substra é apresentado como framework distribuído para colaboração em aprendizado de máquina sob regimes de permissão. Dados permanecem nos nós provedores; algoritmos, modelos e metadados não sensíveis circulam pela rede. Uma tecnologia de ledger distribuído coordena a execução e busca assegurar rastreabilidade e autenticidade sem depender de uma terceira parte central. O texto foi originalmente desenvolvido com aplicações de saúde em vista, embora o framework não seja restrito a dados ou linguagem específicos.

Relação com HDT-AF. É a referência mais clara na tabela para FL/ML colaborativo mais ledger e rastreabilidade. Ajuda a contextualizar a combinação de execução distribuída e evidência verificável.

Limites e leitura crítica. Não é uma solução específica para HDT e a tabela corretamente não marca saúde/HDT, topologia dupla, preflight ou contrato de consentimento. Permissão para executar tarefas e rastreabilidade técnica não equivalem automaticamente a consentimento individual ativo ou revogação operacional por experimento. Como se trata de white paper de 2019, convém comparar a versão e o estado do software usados, evitando tratar a descrição inicial como especificação atual da plataforma.

10. Cremonesi et al. (2025) — Fed-BioMed

Referência. Francesco Cremonesi et al. “Fed-BioMed: Open, Transparent and Trusted Federated Learning for Real-world Healthcare Applications”. In: Federated Learning Systems: Towards Privacy-Preserving Distributed AI, Springer, pp. 19–41, 2025. DOI: 10.1007/978-3-031-78841-3_2 · site oficial Fed-BioMed · preprint técnico.

Objetivo e contribuição. Fed-BioMed é uma plataforma aberta voltada à pesquisa biomédica federada e a aplicações reais. O trabalho descreve objetivos de projeto, atores, restrições hospitalares e escolhas arquiteturais. A plataforma cobre etapas além do treinamento: descoberta federada, análise, pré-processamento e aprendizado. Hospitais ou instituições mantêm os dados localmente e participam de estudos colaborativos.

Relação com HDT-AF. É um baseline de software relevante para saúde, operação multi-institucional e fluxos federados. A existência de governança local e controle sobre recursos deve ser considerada ao formular o diferencial da HDT-AF.

Limites e leitura crítica. Fed-BioMed não é um framework de gêmeos digitais humanos por si só; a tabela marca HDT como ausente. Sua arquitetura de autorização e governança não deve ser resumida como “sem governança”: a documentação atual descreve controle de acesso no nível dos provedores. A comparação correta é mais estreita: verificar se há um contrato de experimento e consentimento individual verificáveis por cliente antes de cada rodada, com preflight técnico/estatístico e proveniência em ledger permissionado. A coluna “Contrato ×” só é válida com essa definição operacional e após conferir a versão da plataforma avaliada.

11. Beutel et al. (2020) — Flower

Referência. Daniel J. Beutel et al. “Flower: A Friendly Federated Learning Research Framework”. Preprint arXiv:2007.14390, versão revista em 2022. arXiv:2007.14390.

Objetivo e contribuição. Flower é apresentado como framework de pesquisa para executar experimentos FL em escala e estudar heterogeneidade de sistemas, com possibilidade de migrar simulações para dispositivos reais. O artigo relata experimentos com até 15 milhões de clientes simulados em um par de GPUs de alto desempenho. Seu papel principal é reduzir barreiras de implementação e permitir explorar workloads e cenários de dispositivos heterogêneos.

Relação com HDT-AF. É um baseline geral de infraestrutura federada e oferece referência para experimentação, escalabilidade e suporte a dispositivos diversos.

Limites e leitura crítica. Não é específico para saúde ou HDT, não fornece por si só semântica clínica, consentimento jurídico do titular ou ledger de auditoria. Suportar simulações e clientes móveis não significa que o mesmo sistema tenha dois modos de execução formalizados como On-Device FL e Edge FL, nem que selecione clientes por preflight de dados e autorização. A tabela classifica corretamente a ausência de saúde/HDT/governança; o uso como baseline exige alinhar versão, estratégia e condições de execução.

12. Ludwig et al. (2020) — IBM Federated Learning

Referência. Heiko Ludwig et al. “IBM Federated Learning: an Enterprise Framework White Paper V0.1”. Preprint arXiv:2007.10987, 2020. arXiv:2007.10987 · repositório oficial IBM.

Objetivo e contribuição. O white paper descreve infraestrutura corporativa para configurar participantes, coordenar tarefas federadas e combinar resultados de modelos, com suporte a diferentes ambientes computacionais e algoritmos de fusão customizados. Também discute dificuldades de heterogeneidade de dados, integração e validação quando não há conjunto de dados centralizado.

Relação com HDT-AF. É um baseline de plataforma corporativa, útil para comparar orquestração, abstração de treinamento e implantação em ambientes distintos.

Limites e leitura crítica. Não é voltado a HDT ou saúde e o texto identifica implementação Python, incompatível com a decisão Java-only do HDT-AF como base de código, embora isso não impeça comparação conceitual. O artigo não descreve o ledger permissionado, o contrato de consentimento por titular ou o preflight da proposta. A linha da tabela serve como referência de plataforma geral, não como solução de governança clínica.

Síntese comparativa e lacuna

Os 12 itens se agrupam em quatro conjuntos complementares:

  1. Fundamentos e motivação de HDT + FL: Lin et al. (revisão de HDT) e Nagaraj et al. (perspectiva clínica sobre HDT com FL) justificam a integração, mas não implementam os controles propostos.
  2. Aplicações federadas em saúde com HDT: Fortino (diabetes e dados sintéticos), MyDigiTwin (risco cardiovascular e harmonização), TwinSegNet (tumores cerebrais), Zema (monitoramento multimodal e seleção), Joo (defesa blockchain contra envenenamento) e Kumar (XAI e trilhas de auditoria) cobrem tarefas e mecanismos diferentes. Nenhum resumo consultado demonstra, em conjunto, topologias operacionais duplas, preflight bloqueante, contrato/consentimento verificável por rodada e ledger de proveniência.
  3. Ledger e colaboração rastreável: Substra oferece ML distribuído com permissões e rastreabilidade; Joo e Kumar integram blockchain em arquiteturas de saúde. Os objetivos do ledger variam e não devem ser tratados como equivalentes: mitigação de envenenamento, trilha de auditoria e proveniência de modelos são funções distintas.
  4. Frameworks gerais ou biomédicos: Fed-BioMed, Flower e IBM FL são referências de infraestrutura. Fed-BioMed tem contexto e governança de provedor de saúde; Flower e IBM oferecem plataformas gerais. Nenhum é, por isso só, uma arquitetura HDT-AF com consentimento individual revogável, validação local de elegibilidade e ledger Fabric.

A lacuna defensável não é “não existe FL para HDT” nem “os frameworks atuais não têm governança”. Os estudos da tabela já cobrem combinações parciais desses temas. A lacuna deve ser formulada como ausência, entre os trabalhos comparados e nas evidências consultadas, de uma arquitetura avaliada que integre sob um mesmo fluxo executável: (i) suporte explícito a On-Device e Edge FL; (ii) preflight local, verificável e bloqueante antes do acesso aos dados; (iii) autorização baseada em contrato e consentimento ativo por experimento/rodada; (iv) dados brutos confinados ao cliente; e (v) auditoria de proveniência em ledger permissionado, com medição conjunta de desempenho e custos.

Essa formulação mantém o diferencial específico da HDT-AF e evita reivindicações absolutas além do conjunto estudado. Para sustentar a lacuna, o protocolo de avaliação deve operacionalizar cada coluna com evidência observável e explicar a versão/configuração de cada baseline.

Ajustes recomendados à tabela dos slides

  • Definir os níveis de evidência: separar “aborda/discute” de “implementa e avalia”. Isso evita dar a uma revisão a mesma marca de uma arquitetura executável.
  • Rever “Ledger” de Lin et al.: a revisão discute blockchain, mas não oferece um ledger HDT implementado; registrar a distinção na legenda ou retirar a marca sob critério de implementação.
  • Qualificar “Ledger” de Joo e Kumar: indicar a função demonstrada (defesa contra poisoning; trilha de auditoria), sem sugerir automaticamente ledger de proveniência permissionado equivalente ao proposto.
  • Explicitar “Preflight”: reservar a coluna para verificação pré-treino, local e bloqueante de recursos, dados e autorização. Seleção por entropia/recursos (Zema) merece coluna própria ou uma nota para não ser confundida com preflight.
  • Reconhecer governança em Fed-BioMed: a plataforma possui controles no lado do provedor. A comparação deve perguntar especificamente por contrato/consentimento ativo por titular e rodada, não marcar ausência genérica de governança.
  • Documentar evidências faltantes de Fortino e Kumar: adicionar DOI, acesso ao resumo/texto integral e base para cada célula antes de sustentar conclusões de implementação ou desempenho.
  • Reformular a legenda da topologia: distinguir suporte a dispositivos variados de suporte arquitetural explícito às duas topologias. “Dual” deve exigir descrição/avaliação de ambos os regimes.
  • Tratar Nagaraj como contribuição conceitual: a natureza breve e argumentativa do texto não deve ser comparada como se fosse um framework experimental.

Referências consultadas

Os links abaixo apontam para páginas editoriais, repositórios dos autores ou registros institucionais. Para resultados específicos, o texto do artigo deve prevalecer sobre resumos de terceiros.

  1. Lin et al. (2024). Springer Nature / DOI.
  2. Nagaraj et al. (2023). PubMed Central.
  3. Fortino et al. (2025). IEEE DOI.
  4. Cadavid et al. (2025). DOI · arXiv.
  5. Wakili et al. (2025). IEEE DOI · arXiv.
  6. Zema et al. (2025). IEEE DOI · registro institucional.
  7. Joo et al. (2024). DOI · KCI.
  8. Kumar et al. (2025). IEEE DOI.
  9. Galtier e Marini (2019). arXiv.
  10. Cremonesi et al. (2025). Springer DOI · Fed-BioMed · arXiv.
  11. Beutel et al. (2020). arXiv.
  12. Ludwig et al. (2020). arXiv · IBM GitHub.