联邦深度学习架构用于保护隐私的肺炎检测从COVID-19胸部X-ray图片

科学领域:

• 医疗保健中的人工智能
• 医学成像分析 医学成像分析
• 保护隐私的机器学习

背景情况:

• 医疗保健中的集中式机器学习面临着由于个人健康数据隐私法规的挑战.
• 联邦学习 (FL) 提供了一个去中心化的方法,在孤立的数据上培训模型,以保持隐私.
• 使用医学成像检测COVID-19需要准确和私密的方法.

研究的目的:

• 调查联合学习的可行性,以检测COVID-19肺炎从胸部X射线影像.
• 提出和评估一个保护隐私的联邦模式,ResNetFed,结合差异隐私.
• 在不均的数据分布场景下评估联合方法的性能.

主要方法:

• 从COVIDx8数据集中使用了1411张胸部X射线图 (753张正常,658张COVID-19).
• 在五个模拟数据库中不均地分区数据,以模拟现实世界FL条件.
• 开发了ResNetFed,这是一个经过修改的预训练ResNet50模型,具有差异隐私,用于联合培训.

主要成果:

• ResNetFed的平均准确率为82.82%,明显优于本地训练的ResNet50模型 (63%的准确率).
• 联合方法表现出卓越的性能,特别是在人口不足的数据仓库中,精度增加了高达34.9%.
• ResNetFed有效地解决了因数据分布在孤岛之间不均而导致的绩效差异.

结论:

• 联合学习,特别是ResNetFed和差异隐私,是COVID-19肺炎检测的可行和有效方法.
• 拟议的联合解决方案增强了隐私,同时保持了高准确性,即使在不平衡的数据集.
• ResNetFed提供了一种实用的,保护隐私的工具,以帮助在医疗环境中进行首次COVID-19查.