TADynFed:用于跨疾病分析的动态模式适应性联合学习与组织意识解

科学领域:

• 医疗图像分析 医学图像分析
• 联合学习是联合学习.
• 医疗保健中的人工智能

背景情况:

• 联合学习 (FL) 能够实现跨机构的协作医疗图像分析,同时保持数据隐私.
• 现实世界FL面临的挑战包括模式异质性 (不完整/变化的数据) 和跨疾病概括.
• 现有的FL方法在统一的模式假设和静态的客户参与方面扎,阻碍了临床部署.

研究的目的:

• 提出TADynFed,这是异质联合学习 (HFL) 的一个新框架.
• 在联合医疗图像分析中解决数据和模式异质性.
• 在现实的临床约束下改善模型性能,包括缺失的模式和各种病理.

主要方法:

• TADynFed采用组织意识的解策略来解模式特异性和共享特征.
• 一个动态的原型记忆库可以弥补缺失的模式.
• 适应性聚合机制考虑了客户的可靠性和稳定学习的任期.

主要成果:

• TADynFed的平均mDice得分为66.03%,显著超过了基线方法 (PointTransformerFL:58.60%,FedAvg:53.06%).
• 证明了上边界对齐 (ASD:1.85毫米,HD95:8.70毫米) 和校准稳定性 (ECE:0.09).
• 呈现出高通信效率 (76 MB/轮) 和强大的跨疾病可转移性,无需再培训.

结论:

• TADynFed为现实,异质和混合模式的联合医疗成像系统建立了一个新的基准.
• 该框架有效地保持了高分段精度,边界精度和校准稳定性,同时最大限度地减少带宽.
• 在各种数据集和病理学中,TADynFed表现出强大的性能,突出其临床适用性.