组织病理学图像分类的联合学习:一个系统的审查.
Meriem Touhami1, Mohammad Faizal Ahmad Fauzi2, Zaka Ur Rehman3
1Faculty of AI and Engineering, Multimedia University, Persiaran Multimedia, Cyberjava 63100, Malaysia.
Diagnostics (Basel, Switzerland)
|January 10, 2026
概括
联合学习 (FL) 允许深度学习模型进行协作训练,用于组织病理学图像分类,而无需共享敏感患者数据. 像通信开销和计算需求这样的挑战需要在临床使用中解决.
科学领域:
- 数字病理学数字病理学
- 机器学习 机器学习
- 医疗成像医学成像
背景情况:
- 机器学习 (ML) 和深度学习 (DL) 提高了基因病理图像分类,但面临数据隐私问题.
- 联合学习 (FL) 允许在没有数据共享的情况下进行协作模式培训,解决隐私问题.
- 在敏感的医疗领域,FL对于开发强大的DL模型至关重要.
研究的目的:
- 系统地审查FL在组织病理图像分类中的应用.
- 确定FL用于数字病理学的常用方法,数据集和性能指标.
- 突出这一领域FL面临的挑战和未来的研究方向.
主要方法:
- 按照PRISMA指南进行系统审查.
- 从主要科学数据库中分析了2020-2025年间发表的24项研究.
- 纳入标准侧重于基于FL的DL模型,用于报告表现的组织病理学.
主要成果:
- 使用了10个数据集,准确度从69.37%到99.72%不等.
- FedAvg是最常见的聚合算法;VGG,ResNet,DenseNet和EfficientNet是常见的架构.
- 主要挑战包括通信开销,计算需求和不一致的报告.
结论:
- 联合学习显示出隐私保护数字病理的巨大潜力.
- 标准化的评估,高效的聚合,个性化和可解释性对于临床采用至关重要.
- 需要多机构验证才能实现FL在组织病理学中的全部好处.
