Cet article propose un système de détection d'intrusions basé sur l'apprentissage fédéré pour remédier aux vulnérabilités de sécurité des systèmes de santé de l'Internet des objets (IoMT). Si l'IoMT permet un diagnostic précoce des maladies et un traitement personnalisé grâce à la collecte de données de santé en temps réel, la sensibilité de ces données les rend vulnérables aux menaces de sécurité. Dans cet article, nous relevons ces défis en mettant en œuvre une détection d'intrusions basée sur un réseau de neurones artificiels, une protection de la confidentialité basée sur l'apprentissage fédéré et une interprétabilité améliorée des modèles grâce à l'intelligence artificielle explicable (XAI). À l'aide d'ensembles de données réseau et médicales simulant différents types d'attaques, nous comparons l'efficacité du cadre proposé à celle d'une approche centralisée. Nous démontrons que l'approche par apprentissage fédéré est similaire à l'approche centralisée, tout en préservant la confidentialité et en assurant l'explicabilité des modèles.
