通过八对比的相互学习来实现联邦医疗图像细分的分散个性化

科学领域:

• 人工智能的人工智能
• 机器学习 机器学习
• 医疗信息学 医疗信息学

背景情况:

• 联合学习 (FL) 能够实现跨医疗中心的协作培训,保护数据隐私.
• 由于数据异质性,标准FL面临诸如服务器故障和低于最佳性能等挑战.
• 需要分散的方法来解决这些局限性.

研究的目的:

• 提出Gossip Contrastive Mutual Learning (GCML),这是一个为分散的个性化模型优化提供统一框架.
• 在没有全球知识的点对点网络中增强知识交流.
• 在医疗应用中提高FL的效率和稳定性.

主要方法:

• 实施了使用 Gossip Protocol 的去中心化框架,以实现强大的点对点通信.
• 引入了深度对比相互学习 (DCML),以便在本地模型和输入模型之间有效地传输知识.
• 集成的DCML与特定站点模型优化,利用同行信息.

主要成果:

• 与集中式和分散式FL方法相比,GCML表现优越.
• 该框架在数据分布异质的网站上实现了最佳性能.
• 观察到通信开销显著减少,这表明了效率.

结论:

• 在医疗环境中,GCML为分散的联合学习提供了强大而高效的解决方案.
• 提出的方法有效地解决了服务器故障和数据异质性的挑战.
• GCML显示了协作医疗AI在现实世界部署的巨大潜力.