具有特异性的联合学习与动态特征融合网络,用于不平衡的医学图像分类

科学领域:

• 人工智能的人工智能
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 联合学习 (FL) 可实现多客户端医疗图像分类,同时保持隐私.
• 现有的FL方法往往忽略了本地模型的特点,并与不平衡的医疗数据集作斗争.

研究的目的:

• 提出一种新的特异性意识的联合学习框架,以解决当前医疗图像分类FL方法的局限性.
• 通过考虑个别客户模型特征和减轻阶级不平衡问题来提高全球模型性能.

主要方法:

• 引入了自适应聚合机制 (AdapAM),利用强化学习进行基于数据分布和性能反的局部模型参数的自适应加权和聚合.
• 开发了一个动态特征融合策略 (DFFS),通过动态融合多数类特征和基于最小批次不平衡比率的其他特征进行协作来解决类不平衡.

主要成果:

• 拟议的框架在皮肤镜像和 fundus 图像数据集上实现了最先进的性能.
• 实验结果证明了AdapAM在处理局部模型特异性和DFFS在管理阶级不平衡方面的有效性.

结论:

• 与AdapAM和DFFS一起的特定意识的联合学习框架为保护隐私的医疗图像分类提供了强大的解决方案.
• 这种方法显著提高了与数据不平衡的真实世界医疗应用中的分类准确性.