在医学成像中检测眼病的联合深度学习方法:系统性审查
Seema Gulati1, Kalpna Guleria1, Nitin Goyal2
1Chitkara University Institute of Engineering and Technology, Chitkara University, Punjab, India.
Current medical imaging
|October 6, 2025
概括
联合学习 (FL) 增强了用于眼部疾病检测的AI,保持数据隐私,并实现与集中模型相比较的高诊断准确性. 数据异质性和效率方面的挑战仍然是未来研究的关键领域.
科学领域:
- 眼科医生 眼科 眼科
- 计算机科学 计算机科学
- 医疗成像医学成像
背景情况:
- 人工智能 (AI),特别是深度学习 (DL) 和联合学习 (FL),正在彻底改变医疗保健诊断.
- FL提供了一种保护隐私的解决方案,用于分析敏感的医疗数据,这对于从医疗图像中检测眼部疾病至关重要.
- 本综述系统地检查了人工智能在眼部疾病检测方面的进展,强调了FL在提高准确性和保密性的作用.
研究的目的:
- 对人工智能驱动的眼部疾病检测方法进行系统审查.
- 专门分析联邦学习 (FL) 在这个领域的演变,方法和有效性.
- 评估FL在保持诊断性能的同时确保数据隐私的能力.
主要方法:
- 按照PRISMA框架进行系统审查.
- 在主要的学术数据库 (Web of Science,Scopus,IEEE Xplore,PubMed) 进行文献搜索,从2017年至2024年进行.
- 选择的研究重点是眼部疾病检测的DL和FL模型,随后对方法,数据集和性能进行比较分析.
主要成果:
- FL模型的诊断性能与传统的集中式AI方法相当.
- 在眼部疾病检测中,FL模型 (如FedAvg和FedProx) 报告了高精度和效率.
- 确定的主要挑战包括数据异质性,通信效率和模型融合.
结论:
- 联合学习 (FL) 是一种有前途的眼部疾病检测策略,有效地平衡了诊断准确性和强大的数据隐私.
- 持续的研究对于优化FL框架的可扩展性和通信效率至关重要.
- 集成先进的隐私保护技术是FL在医学诊断中的关键未来方向.
