面向大规模神经影像诊断的联邦学习框架：处理亚型混淆与异质性
机器学习
2025-08-12 v1 人工智能
摘要
计算机辅助诊断 (Computer-aided diagnosis, CAD) 系统在分析神经影像数据以诊断神经系统和精神系统疾病方面发挥着关键作用。然而，小样本研究受限于可重复性低，而大规模数据集则因多种疾病亚型被归类为单一类别而引入混合的异质性。为应对这些挑战，我们提出了一种针对神经影像 CAD 系统的新型联邦学习框架。我们的方法包括一个动态导航模块，可根据潜在亚型表示将样本路由到最合适的本地模型，以及一个元集成模块，将来自异构本地模型的预测整合为统一的诊断输出。我们使用包括 1300 多名抑郁症患者和 1100 名健康对照人群的 fMRI 数据，跨越多个研究队列进行评估。实验结果显示，我们的框架在诊断准确率和鲁棒性方面均显著优于传统方法。具体而言，我们的框架在所有测试地点的平均准确率达到 74.06%，展示了在处理亚型异质性和提升模型泛化性方面的有效性。消融研究进一步确认了动态导航和元集成模块在提升性能中的重要性。通过解决数据异质性和亚型混淆，我们的框架推动了可靠且可重复的神经影像 CAD 系统的发展，为神经科学和精神医学的个性化医疗和临床决策提供了巨大的潜力。
引用
@article{arxiv.2508.06589,
title = {A Federated Learning Framework for Handling Subtype Confounding and Heterogeneity in Large-Scale Neuroimaging Diagnosis},
author = {Xinglin Zhao and Yanwen Wang and Xiaobo Liu and Yanrong Hao and Rui Cao and Xin Wen},
journal= {arXiv preprint arXiv:2508.06589},
year = {2025}
}