保护隐私的联合学习与域名适应多种疾病的眼部疾病识别

科学领域:

• 眼科医生 眼科 眼科
• 计算机科学 计算机科学
• 人工智能的人工智能

背景情况:

• 早期 fundus 查对于眼部疾病的识别和预防失明至关重要.
• 深度学习模型需要大型标记数据集,这些数据集很难和耗时收集和注释,特别是在多个站点.
• 多站点数据收集引发了对数据隐私的担忧,并引入了阻碍模型性能的域差距.

研究的目的:

• 开发一个保护隐私的联合学习框架,用于识别眼部疾病.
• 解决和减轻数据隐私和多站点基金选数据集域名转移的挑战.
• 提高深度学习模型的性能,用于早期基金选.

主要方法:

• 在本地站点实施了高斯随机机制,以确保数据隐私.
• 采用了两步域调整方法,包括域混模块和多专家学习,以弥合域差距.
• 构建了一个整合这些方法的保护隐私的联合学习框架.

主要成果:

• 拟议的框架成功地保护了数据隐私,同时使协作模式培训成为可能.
• 域调整技术有效地减少了不同站点之间域间隙的负面影响.
• 实验结果证明了框架的逐步性能改进和整体效率.

结论:

• 开发的保护隐私的联合学习框架与域调整是有效的多站点眼部疾病识别.
• 这种方法提高了使用深度学习在现实世界多机构环境中进行早期资金选的可行性和可靠性.
• 该框架提供了一个强大的解决方案,用于利用分布式数据集,同时保持数据隐私和模型准确性.