FeSEC:医疗成像安全和高效的联合学习框架
1Department of Radiation Oncology, Columbia University Irving Medical Center, New York 10032, USA.
Proceedings of SPIE--the International Society for Optical Engineering
|December 29, 2025
概括
医学成像中的联合学习 (FL) 面临隐私和通信挑战. 拟议的FeSEC框架提高了FL的安全性和效率,提高了COVID-19检测准确度,降低了通信成本.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 数据 隐私 数据 隐私 数据
背景情况:
- 联合学习 (FL) 利用分布式数据来改善医学成像模型的泛化.
- FL提供了部分隐私,但在模型参数交换过程中存在风险.
- 通信开销是FL的一个重大挑战,特别是复杂的模型和分布式合作者.
研究的目的:
- 提出FeSEC,一个安全高效的FL框架.
- 为了解决隐私问题和医学成像中的通信瓶,FL.
- 提高FL模型在分布式医疗保健环境中的性能.
主要方法:
- 实施了稀疏压缩算法,以实现高效的医院间通信.
- 集成的同态加密与差异隐私,用于安全的模型交换.
- 评估了COVID-19检测任务的框架.
主要成果:
- 与FedAvg相比,FeSEC大大提高了准确性和隐私保护.
- 实现了通信成本的显著降低 (不到FedAvg的10%).
- 在现实世界医学成像场景中展示了增强的FL模型性能.
结论:
- FeSEC提供了一个可行的解决方案,用于医疗成像中的安全和高效的联合学习.
- 该框架有效地平衡了隐私,通信效率和模型准确性.
- 对于需要协作医疗数据分析的全球健康应用,FeSEC显示出前景.

