皮肤病变分类的联邦主动学习框架

Jun, 2024

皮肤病变分类的联邦主动学习框架

Federated Active Learning Framework for Efficient Annotation Strategy in Skin-lesion Classification

Zhipeng Deng, Yuqiao Yang, Kenji Suzuki

TL;DR我们提出了一个联邦主动学习（FedAL）框架，通过在医学图像分析中周期性和交互式地执行主动学习，从而减少标注数据量、保护患者隐私，并保持联邦学习的性能。在真实的皮肤镜数据集上验证了我们的框架，在只使用 50％的样本的情况下，在皮肤病变分类任务上取得了与全数据联邦学习相媲美的性能。

Abstract

federated learning (FL) enables multiple institutes to train models collaboratively without sharing private data. Current FL research focuses on communication efficiency, privacy protection, and personalization and assumes that the data of FL have already been ideally collected. In med

federated learning active learning data annotation privacy preservation medical image analysis

发现论文，激发创造

联邦主动学习 (F-AL)：联邦学习中高效的标注策略

研究通过在联邦学习框架中应用主动学习和采样策略来减少标注工作量，比较了全局 FL 模型使用传统随机采样策略、客户端级别分离的 AL（S-AL）和我们提出的 F-AL 的测试准确率，实验证明 F-AL 在图像分类任务中优于基线方法。

Feb, 2022

面向目标领域泛化的联邦主动学习

该论文介绍了 Active Learning 和 Federated Learning 的联合学习框架 FEDALV，用于目标域广义化，通过减少特征复杂性和条件对齐来实现准确且高效的图像分类模型训练。

Dec, 2023

选择之前三思：领域转换中的医学图像分析联邦证据主动学习

通过在医疗领域分布式的多个机构之间协作学习一个全局模型，联合学习有助于实现数据无需集中的目标。本研究首次尝试评估来自不同领域的本地数据的信息量，并提出了一种称为 Federated Evidential Active Learning (FEAL) 的新方法来处理领域转移下的数据评估。通过引入 Dirichlet 先验分布，我们能够将预测视为概率空间上的分布，并利用基于 Dirichlet 的证据模型来捕获不确定性。然后，我们使用这种不确定性来校准随机不确定性，并采用多样性放松策略来减少数据冗余并保持数据多样性。通过广泛的实验和分析，我们证明了 FEAL 在联合主动学习框架下优于现有主动学习方法的特点和效率。

Dec, 2023

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

FedALA：用于个性化联邦学习的自适应本地聚合

本文提出了一种改进的联邦学习方法 ——FedALA，通过 Adaptive Local Aggregation (ALA) 模块，适应性地聚合下载的全局模型和本地模型，初始化每个客户端上的本地模型，并进行训练，实验结果表明，FedALA 在计算机视觉和自然语言处理等五个基准数据集上超过了 11 种现有技术的 baselines，提高了最高达 3.27％的测试准确性，同时我们还将 ALA 模块应用于其他联邦学习方法，实现了最高达 24.19％的测试准确性提高。

Dec, 2022

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

FENDA-FL: 面向异构临床数据的个性化联邦学习

该研究通过扩展 FENDA 方法，提出了一种适用于临床应用的联邦学习方法，并在 FLamby 基准和 GEMINI 数据集上进行了实验证明其对异构临床数据具有鲁棒性，并通常优于现有的全局和个性化联邦学习技术。此外，实验结果对原始 FLamby 基准进行了实质性改进，并扩展了该基准以包括个性化联邦学习方法的评估。最后，该研究还提倡建立一个全面的检查点和评估框架，以更好地反映实际情况，并提供多个基准进行比较。

Sep, 2023

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

联邦交替训练（FAT）：在医学成像的联邦分割中利用未标注数据存储

提出了一种名为 Federated Alternate Training (FAT) 的替代训练框架，该框架可以使用具有注释数据的数据集和不带注释数据的数据集交错训练，其中不带注释的数据集使用全局分割模型生成伪标签进行自我监督学习，适用于医学成像数据集的隐私保护训练。

Apr, 2023

面向医学转录分析的联合多语言模型

该论文介绍了一个针对医学实体标注等下游任务的大规模多语言模型的联邦学习系统，它能够跨越高度异质化的数据提供者进行训练，并通过本地训练步骤进一步提高全局模型的性能。

Nov, 2022