May, 2024

放射学中的实际联邦学习：克服的困难与获得的好处

PDF
TL;DR联邦学习的实施存在许多障碍，尤其在医学影像领域。然而，本研究通过对联邦学习文献的广泛调研和实际实验，提出了解决这些障碍的指南，并证明了联邦学习在肺部病理分割任务中胜过传统方法，从而强调了将联邦学习应用于实际情境的重要性。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 适用于真实世界医疗应用的开放、透明和可信的联邦学习 Fed-BioMed

    该论文介绍了 Fed-BioMed 的设计空间、目标用户、领域限制以及这些因素如何影响当前和未来的软件架构，从而将联邦学习（FL）应用于医学研究领域。

    Apr, 2023

  • 医疗中的联邦学习：模型不端、安全挑战、应用及未来研究方向 -- 系统综述

    通过分析医疗保健领域中已经存在的研究文献，本研究系统评估了联邦学习在提供隐私保护的同时维护医疗数据分析的完整性和可用性方面的效力，同时探讨了实际应用及其影响，突出未来的研究方向，旨在完善联邦学习的实现、增强数据安全协议，并将联邦学习拓展到更广泛的医疗应用领域，为未来的研究人员和实践者提供帮助。

    May, 2024

  • 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

  • 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

  • 联邦学习的进展：模型、方法和隐私

    本文详细阐述了联邦学习的体系结构、应用问题、算法设计原则和安全问题，提出了一种更加通用的算法设计框架、攻击场景和防御方法，致力于将联邦学习与真实世界应用相集成并实现高性能、隐私保护和安全性。

    Feb, 2023

  • 电子健康记录和结构化医疗数据的联邦和分布式学习应用：一项范围审视

    这篇综述研究了联合学习在结构化医疗数据上的应用，强调了应优先考虑临床实践和研究的需要，并发现目前这方面的应用缺乏临床意义方面的充分评估。

    Apr, 2023