Oct, 2023

把握差距：联邦学习拓宽诊断 AI 模型的领域泛化

PDF
TL;DR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。
artificial intelligence modelsfederated learningchest radiographsdiagnostic performancedata diversity
发现论文，激发创造
  • 医疗人工智能模型的非均匀标签协同训练

    本论文提出了一种新的框架 —— 灵活的联邦学习（FFL），可用于协作训练医疗图像分析的大型、异质标记数据集，研究表明，使用 FFL 训练的模型优于仅使用匹配标记训练的模型。

    Nov, 2022

  • 乳腺密度分类的联邦学习：一个实际实现

    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。

    Sep, 2020

  • 联邦领域泛化：一项调查

    本文介绍了机器学习发展的过程及其在领域自适应和领域泛化方面的应用，重点介绍了联邦域泛化的概念和相关算法，分类为联邦域对齐、数据处理、学习策略和聚合优化，并提供了常用的数据集、应用、评估和基准，这些研究对解决在不同领域和分布数据上广泛存在的泛化问题具有重要意义。

    Jun, 2023

  • 任务无关的联邦学习

    应用自监督学习的联邦学习框架，通过使用 Vision Transformer 作为共识特征编码器进行无监督预训练，能够在各种真实非 IID 医学图像数据集上进行有效的表示学习，为多任务基础建模提供潜在的方法。

    Jun, 2024

  • 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

  • 具有域自适应的私有联邦学习

    本文提出了一种基于联邦学习的机器学习分布式范例，可以在保护隐私的前提下进行多方联合重新训练共享模型，并通过用户级领域自适应来提高模型精度，实验结果表明在为 FL 模型强制实施差分隐私界限时，该技术可以更大程度地提升模型的准确性。

    Dec, 2019

  • 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

  • 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

  • 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