Статья в npj Digital Medicine (опубликована онлайн 1 сентября 2026 года) представляет перспективный анализ применения федеративных фундаментальных моделей (federated foundation models) в биомедицинских сенсорах и медицинской визуализации. Авторы рассматривают, как объединение двух передовых направлений — федеративного обучения (FL) и фундаментальных моделей (FM) — может преодолеть ключевые ограничения современной медицинской ИИ-разработки: дефицит размеченных данных, проблемы конфиденциальности пациентов и фрагментацию данных между учреждениями. В работе обсуждаются архитектурные подходы, включая разделение моделей на глобальные и локальные компоненты, а также стратегии эффективной коммуникации между клиентскими узлами. Особое внимание уделяется вызовам гетерогенности данных с разных устройств (носимые сенсоры, МРТ, КТ, патология) и необходимости стандартизации протоколов. Авторы подчеркивают, что федеративные фундаментальные модели могут обеспечить персонализированную медицину без централизации чувствительных данных, однако отмечают нерешенные вопросы: вычислительные затраты, риск катастрофического забывания и необходимость новых метрик оценки качества. Статья завершается призывом к созданию открытых бенчмарков и междисциплинарному сотрудничеству для ускорения клинического внедрения этой технологии.