一种用于多站点脑功能连接分析的隐私保护域对抗联邦学习
机器学习
2025-02-05 v1 人工智能
图像与视频处理
摘要
静息态功能磁共振成像（rs-fMRI）及其衍生的功能连接网络（FCNs）已成为理解神经系统疾病的关键。然而，由于隐私法规和多数据源的非独立同分布（non-IID）特性，协作分析和模型的泛化能力仍面临重大挑战。为缓解这些困难，我们提出了域对抗联邦学习（Domain Adversarial Federated Learning, DAFed），这是一种专为多站点环境下的非 IID fMRI 数据分析而设计的新型联邦深度学习框架。DAFed 通过特征解耦来应对这些挑战，将潜在特征空间分解为域不变和域特定成分，以确保稳健的全局学习，同时保留局部数据特异性。此外，对抗训练促进了有标签和无标签数据集之间的有效知识迁移，而对比学习模块则增强了域不变特征的全局表示。我们在 ASD 的诊断上评估了 DAFed，并进一步验证了其在 AD 分类中的泛化能力，结果表明其分类准确率优于现有最先进方法。此外，一个增强的 Score-CAM 模块识别出分别与 ASD 和 MCI 显著相关的关键脑区和功能连接，揭示了跨站点的共享神经生物学模式。这些发现突显了 DAFed 在保护数据机密性的同时推进神经影像多站点协作研究的潜力。
引用
@article{arxiv.2502.01885,
title = {A Privacy-Preserving Domain Adversarial Federated learning for multi-site brain functional connectivity analysis},
author = {Yipu Zhang and Likai Wang and Kuan-Jui Su and Aiying Zhang and Hao Zhu and Xiaowen Liu and Hui Shen and Vince D. Calhoun and Yuping Wang and Hongwen Deng},
journal= {arXiv preprint arXiv:2502.01885},
year = {2025}
}
备注
34pages, 13 figures