使用基于高效跨阶段循环模型的联合学习来预测糖尿病疾病的隐私保护
1Department of Computer Science and Engineering, Panimalar Engineering College, Chennai, India.
Scientific reports
|October 24, 2025
概括
本研究介绍了FedDRNet,这是一个保护隐私的联合学习模型,用于检测糖尿病视网膜病变. 它通过先进的加密和高效的用户选择实现了高准确性,同时保护了患者数据.
科学领域:
- 眼科医生 眼科 眼科
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 糖尿病视网膜病变 (DR) 对视力构成重大威胁,如果不及早发现,可能会导致不可逆转的失明.
- 传统的用于DR检测的深度学习面临着由于集中数据聚合而导致数据隐私和安全的挑战.
- 现有用于DR检测的联合学习 (FL) 方法存在很高的计算开销和有限的准确性.
研究的目的:
- 引入FedDRNet,这是一个新的隐私保护框架,用于使用联合学习检测糖尿病视网膜病变.
- 提高DR检测模型的准确性和计算效率.
- 为解决与DR检测中的医疗保健数据共享相关的隐私和安全问题.
主要方法:
- 开发了FedDRNet,集成了一个高效的跨阶段循环网络 (ECSRNet),结合了ShuffleNet,CSPNet和GRU,用于本地和服务器模型培训.
- 实现了同型加密,用于在客户端和中央服务器之间共享模型更新时进行安全通信.
- 利用改进的K-手段集群 (IKMC) 进行智能用户选择,以减少通信轮次并提高效率.
主要成果:
- 联邦储备储备网络实现了高性能指标:98.6%的准确性,98.8%的精度,98.3%的回忆,98.6%的F-Score和98.1%的特异性.
- 该模型通过ECSRNet架构和基于IKMC的用户选择来证明计算效率.
- 同型加密在联合学习过程中确保了强大的隐私保护.
结论:
- FedDRNet提供了一个强大的,保护隐私的解决方案,用于糖尿病视网膜病变的检测.
- 拟议的框架有效地平衡了高检测精度与计算效率和数据安全.
- 这种方法减轻了DR检测传统集中式深度学习方法固有的隐私问题.
