一个个性化沟通高效的联合学习框架,低级别适应智能白血病诊断
P Suresh1, P Keerthika2, A R Nitesh Kumar1
1School of Computer Science and Engineering, Vellore Institute of Technology, Vellore, India.
Scientific reports
|December 11, 2025
概括
这项研究引入了FedPerLoRA-Health,用于使用联合学习进行准确的私人白血病检测. 在PerFLR-EffNet模型实现98.67%的准确性,同时显著降低通信成本.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 通过医学成像进行准确的白血病诊断需要强大的,保护隐私的模型.
- 联合学习 (FL) 提供了一个解决方案,可以在没有数据共享的情况下进行协作模式培训.
研究的目的:
- 提出FedPerLoRA-Health,一个通讯效率高的联合学习框架,用于个性化白血病检测.
- 为了提高白血病诊断的隐私和准确性,使用EfficientNet架构.
主要方法:
- 开发了PerFLR-EffNet算法,将联合个性化和低级适应 (LoRA) 与EfficientNet (B0/B2) 结合起来.
- 为个性化层实施了本地培训,并传播了适应LoRA的全球层,以尽量减少沟通.
- 在急性淋巴细胞白血病 (ALL) 数据集上使用分类和FL指标进行评估.
主要成果:
- 通过FLR-EffNet实现了98.67%的平均分类准确度.
- 证明了显著的通信效率,与基线模型相比,减少了88.12%的开销.
- 展示了参数有效的更新和有效的本地个性化.
结论:
- FedPerLoRA-Health为个性化白血病检测提供了一个高度准确和有效的通信解决方案.
- 拟议的PerFLR-EffNet算法在联合学习环境中有效平衡模型性能,个性化和通信成本.
- 这一框架在癌症诊断的医学成像中推进了保护隐私的AI.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.6K
05:24Two Flow Cytometric Approaches of NKG2D Ligand Surface Detection to Distinguish Stem Cells from Bulk Subpopulations in Acute Myeloid Leukemia
Published on: February 21, 2021
4.6K
