MSAFed:用于测试时间医疗细分的通用多阶段和自适应联合学习

科学领域:

• 医疗保健中的人工智能
• 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) 促进跨机构的协作人工智能模型培训,而无需共享数据,增强医疗保健中的隐私.
• 现有的FL模型在联合网络中表现出很差的概括性,并且在未见的数据上表现不佳,特别是在各种医学领域.
• 目前FL的测试时间适应技术无法充分缓解对源数据分布的偏差,从而限制了临床实用性.

研究的目的:

• 引入MSAFed,一个通用的多阶段适应式联合学习框架.
• 增强FL模型的内部概括性 (跨客户端) 和外部测试时间适应性 (对隐形客户端).
• 在异质的医疗环境中解决当前FL方法的局限性.

主要方法:

• 开发了一种预培训策略,将客户内部和客户间的对比学习与原型意识的聚合结合起来,以创建一个通用的全球模型.
• 实施了适应性学习率策略,以促进FL网络内的泛化.
• 利用源知识,包括适应性学习率和原型,在测试时间内为未见客户端进行动态网络适应.

主要成果:

• 在三个真实世界的多中心医疗数据集中,MSAFed在内部和外部FL任务上表现出卓越的表现.
• 该框架有效地改善了参与客户之间的概括性.
• 实现了对未见客户端和异质域的增强适应性.

结论:

• MSAFed为改善医疗保健中的联合学习模型性能提供了一个强大的解决方案.
• 拟议的适应性框架解决了医疗人工智能的关键概括和适应挑战.
• 这种方法具有很大的潜力,可以在临床环境中推进保护隐私的AI应用.