FedVGM:使用XAI增强多数据集医学图像的联合学习性能
IEEE journal of biomedical and health informatics
|August 20, 2025
概括
与FedVGM联合学习使得跨机构的多模式医疗图像分析能够保护隐私. 这种框架在不集中敏感患者数据的情况下实现了高诊断准确性.
科学领域:
- 人工智能
- 医学成像
- 机器学习
背景情况:
- 深度学习推动了医疗成像技术的发展,但也面临着数据隐私和碎片化的挑战.
- 现有的方法通常需要集中敏感的患者数据, 限制合作.
研究的目的:
- 推出FedVGM,一个保护隐私的联合学习框架,用于多式医疗图像分析.
- 在不损害患者数据隐私的情况下实现跨机构的协作诊断.
主要方法:
- 通过转移学习和VGG16/MobileNetV2组合,FedVGM整合了四种模式 (大脑MRI,乳房超声波,胸部X射线,肺部CT).
- 评估了三个聚合策略,确定中位数聚合是最有效的.
- 应用可解释的人工智能技术以获得临床解释性,并通过性能指标和k倍交叉验证进行验证.
主要成果:
- 在综合多式联络数据集上达到97.7%±0.01的准确性.
- 个体模式的准确性在91. 9%至99. 1%之间.
- 证明了中位数聚合对模型性能的有效性.
结论:
- FedVGM提供了一个强大的,可扩展的,保护隐私的解决方案,用于协作医疗图像分析.
- 该框架通过确保数据隐私和可解释性来支持临床部署.
- 通过联合学习促进多模式医疗诊断的进步.
