联邦学习在构建鲁棒 COVID-19 胸部 X 光分类模型中的应用
机器学习
2022-04-25 v1
摘要
在开发基于人工智能（AI）的算法以解决各类问题时，数据量起着关键作用——大量数据有助于研究人员和工程师开发鲁棒的 AI 算法。在构建与医学影像相关问题的基于 AI 的模型时，这些数据需要从采集它们的医疗机构传输至开发算法的机构。这种数据流动涉及诸如符合 HIPAA、GDPR 等耗时的手续。同时也存在患者隐私数据泄露、危及保密性的风险。这些问题的一种解决方案是使用联邦学习框架。联邦学习（FL）借助来自不同分布与数据特征的不同来源的数据，而无需将所有数据移至中心服务器，帮助 AI 模型更好地泛化并创建鲁棒的 AI 模型。在本文中，我们应用 FL 框架训练一个深度学习模型，以解决预测是否存在 COVID-19 的二分类问题。我们采用了三个不同来源的数据，并在每个来源上分别训练了独立模型。随后我们在完整数据上训练了一个 FL 模型，并比较了所有模型的性能。我们证明了 FL 模型优于各独立模型。此外，FL 模型的表现与在中心服务器上合并所有数据训练的模型相当。因此，联邦学习在不付出数据传输与监管开销代价的情况下，带来了泛化的 AI 模型。
引用
@article{arxiv.2204.10505,
title = {Application of Federated Learning in Building a Robust COVID-19 Chest X-ray Classification Model},
author = {Amartya Bhattacharya and Manish Gawali and Jitesh Seth and Viraj Kulkarni},
journal= {arXiv preprint arXiv:2204.10505},
year = {2022}
}