乳腺密度分类的联邦学习：一个实际实现

Sep, 2020

乳腺密度分类的联邦学习：一个实际实现

Federated Learning for Breast Density Classification: A Real-World Implementation

Holger R. Roth, Ken Chang, Praveer Singh, Nir Neumark, Wenqi Li...

TL;DR本文研究了在真实的合作环境下使用联邦学习（FL）构建医学成像分类模型。通过对世界各地的七个临床机构的数据进行联邦学习，成功地训练了乳腺密度分类模型，其性能比在机构的本地数据训练的模型平均提高了 6.3％，在其他机构的测试数据上表现出了 45.8％的相对改进。

Abstract

Building robust deep learning-based models requires large quantities of diverse training data. In this study, we investigate the use of federated learning (FL) to build medical imaging classification models in a real-world collaborative setting. Seven clinical institutions from across

federated learning medical imaging breast density classification ai models generalizability

发现论文，激发创造

2022 ACR-NCI-NVIDIA 联邦学习挑战中自动乳腺密度分类的公平评估结果

乳房密度的正确解释对于评估乳腺癌风险很重要。利用人工智能准确预测乳房密度的能力已经得到证明，然而，由于乳房 X 光成像系统的特性差异，使用一个系统的数据构建的模型在其他系统上泛化能力不强。联邦学习已被提出作为一种提高人工智能泛化性能的方法，而无需共享数据，但在联邦学习中如何保留所有训练数据的特征仍然是一个活跃的研究领域。为了探索联邦学习方法，与美国放射学学会，哈佛医学院的 Mass General Brigham，科罗拉多大学，NVIDIA 和国立卫生研究院国家癌症研究所合作举办了乳房密度分类联邦学习挑战赛。挑战参与者可以提交能够在三个模拟的医疗机构上实现联邦学习的 docker 容器，每个机构都包含一个独特的大型乳房 X 光数据集。乳房密度联邦学习挑战赛从 2022 年 6 月 15 日持续到 9 月 5 日，吸引了来自世界各地的七个入围者。获胜的联邦学习解决方案在挑战测试数据上达到了线性 kappa 分数 0.653，并在外部测试数据集上达到了 0.413 的分数，与在一个中心位置训练的模型相当。

May, 2024

基于分布式联邦学习的隐私 MRI 脑瘤检测深度学习模型

本研究通过创新性地使用联邦学习方法，解决数据隐私和高效疾病诊断的双重挑战，以提高医学图像分类的准确性和效率，展示了联邦学习在磁共振成像（MRI）脑肿瘤检测中的应用效果，并强调了解决数据异质性的重要性和拓展联邦学习在医学图像分析中的研究方向。

Apr, 2024

CXR-FL: 基于深度学习的胸部 X 射线图像分析使用联邦学习

本篇论文提出并评估了一个名为 CXR-FL 的基于深度学习的联邦学习方法，用于医学影像分析，证明了联邦学习有助于保持模型的泛化能力以及深度学习模型对于肺部分割数据更为敏感，且其在分类方面的性能对于联邦学习的参数选择有一定程度的依赖。

Apr, 2022

把握差距：联邦学习拓宽诊断 AI 模型的领域泛化

通过评估训练策略、网络架构、泛化性能、图像发现、数据集大小和数据集多样性对 610,000 例胸部 X 光片的诊断表现进行了评估，并发现在培训数据量方面，本地训练具有更高的域内性能，而合作培训在域外任务方面更具优势。因此，联邦学习可以增强人工智能模型的诊断隐私、可重复性和域外可靠性，并潜在地优化医疗结果。

Oct, 2023

面向医学图像分类的不均衡和聚合数据分布联邦学习

采用新的真实数据分布，提出一种名为 FedIIC 的隐私保护框架，该框架通过类内对比学习和共享全局样本的类间对比学习进行特征提取器的校准来缓解训练造成的偏差，并使用考虑难度的逻辑调整构造 softmax 交叉熵损失以确保所有类别的平衡决策边界。在公共可用数据集上的实验表明，FedIIC 在处理两种耦合问题的同时，具有更优越的性能。

Jun, 2022

基于联邦学习的深度学习磁共振图像重建的多机构合作

本研究提出了一种针对磁共振图像重建的联邦学习解决方案，该方案利用了不同机构可用的磁共振数据，同时保护了患者隐私；为了克服因使用多个机构数据而产生的域移位，提出了一种跨站点建模方法，实验结果表明该方法有望在不影响患者隐私的前提下提高磁共振图像重建的效果。

Mar, 2021

医疗领域联邦学习的实用性探讨

本文提出了以三个真实的数据集为基础的 FL 算法实验基准及考虑性能和成本的经济模型，同时还引入了一个结合了 FedProx 和 FedBN 的 FL 方法 FedPxN，其在性能方面优于其他 FL 算法，并只消耗比最省电的方法略高一些的功耗。

Jul, 2022

在医学图像分析中提高私有联邦模型的性能

本研究探讨联邦学习在医疗应用中的优势，分析其如何能够解决医疗数据隐私、安全及所有权等挑战，讨论如何通过本地步骤和沟通轮数的调整来进一步提高模型的性能，并提供了理论证明和实验评估的支持。

Apr, 2023

医学影像中数据和模型异质性的联邦学习

本文提出了一种名为 MDH-FL 的方法，利用数据和模型的异质性，通过知识蒸馏和对称损失来提高联邦学习中全局模型的效率，实验证明该方法在医学数据集上比现有方法表现出更好的优越性。

Jul, 2023

组织病理图像分类与脆弱性分析的联邦学习

利用隐私保护联邦学习技术，发现健康诊断的机器学习模型会受到数据投毒的攻击，导致全局模型准确度下降。

Oct, 2023