FedGSCA: Aprendizaje Federado Médico con Selector de Muestras Global y Ajustador Adaptativo del Cliente bajo la...

Área de la Ciencia:

• La inteligencia artificial es inteligencia artificial.
• Imágenes médicas de imágenes médicas.
• Aprendizaje automático Aprendizaje automático.

Sus antecedentes:

• Federated Learning (FL) permite la clasificación colaborativa de imágenes médicas mientras protege la privacidad de los datos.
• El ruido de etiqueta de la variabilidad de los datos causa inestabilidad y degradación del rendimiento en los modelos FL.
• Los métodos FL actuales luchan con el ruido heterogéneo y los datos médicos desequilibrados.

Objetivo del estudio:

• Proponer FedGSCA, un nuevo marco para mejorar la robustez en el ruidoso FL médico.
• Para abordar la heterogeneidad del ruido y mejorar la estabilidad del modelo global.
• Para mitigar el impacto de los datos ruidosos y evitar el exceso de ajuste en la capacitación local.

Principales métodos:

• FedGSCA utiliza un selector de muestras global para agregar el conocimiento de ruido a través de los clientes.
• Se desarrolla un mecanismo de ajuste adaptativo del cliente (CAA), que incorpora pseudoetiquetado adaptativo y pérdida de etiquetado de crédito robusto.
• CAA se ajusta dinámicamente a las distribuciones de clase, incluye muestras minoritarias y gestiona las etiquetas ruidosas considerando múltiples etiquetas plausibles.

Principales resultados:

• FedGSCA fue evaluado en diapositivas de colon del mundo real y conjuntos de datos médicos sintéticos bajo diversas condiciones de ruido.
• El marco demostró un rendimiento superior en comparación con los métodos de última generación, particularmente en escenarios de ruido extremo y heterogéneo.
• FedGSCA mejoró significativamente la estabilidad del modelo y el manejo del ruido complejo.

Conclusiones:

• FedGSCA ofrece una solución robusta para el aprendizaje federado médico ruidoso.
• El marco propuesto maneja efectivamente la heterogeneidad del ruido y el desequilibrio de datos.
• FedGSCA es muy adecuado para aplicaciones de FL médicas del mundo real que requieren alta precisión y estabilidad.