评估联合学习和差异隐私对多中心聚片细分的影响

科学领域:

• 医学成像分析 医学成像分析
• 医疗保健中的人工智能
• 数据隐私和安全数据隐私和安全

背景情况:

• 联合学习 (FL) 能够实现对敏感医疗数据的分散模式培训,解决多样性和监管需求.
• 单靠FL就不能完全保证患者的隐私,因为在中央聚合阶段存在潜在的漏洞.
• 差异隐私 (DP) 经常被整合到机器学习框架中,以加强隐私保护.

研究的目的:

• 综合评估将差异隐私 (DP) 纳入联合学习 (FL) 和集中学习 (CL) 进行医学图像分析的影响.
• 评估DP在聚细分中的性能,这是医学图像分析中的关键任务.
• 在医疗AI的背景下,分析隐私保证和模型性能之间的权衡.

主要方法:

• 在传统的集中式学习 (CL) 和联合式学习 (FL) 范式中对DP集成进行比较分析.
• 在PolypGen数据集上进行的实验,PolypGen数据集是一个多中心的,公开可用的资源,用于聚合物细分.
• 评估模型性能指标,以量化DP对细分精度的影响.

主要成果:

• 区分隐私 (DP) 的引入导致了多片细分模型性能明显下降.
• 在DP提供的隐私保护水平和由此产生的模型准确性之间观察到明显的权衡.
• 结果表明,目前的DP实施可能会对医疗AI任务的有效性产生重大影响.

结论:

• 在医疗应用的联合学习 (FL) 和集中学习 (CL) 中实施差异隐私 (DP) 提出了重大性能挑战.
• 这些发现强调了开发先进的隐私保护技术的必要性,这些技术可以平衡强大的数据保护与高模型实用性.
• 进一步的研究对于在敏感的医疗AI应用中优化隐私-性能权衡至关重要.