提升基于自监督通用表征的多人口学联邦学习在胸片分析中的表现
计算机视觉与模式识别
2025-06-23 v2 人工智能
机器学习
摘要
可靠的医学图像分析人工智能模型往往依赖大规模且多样化的标注数据集。联邦学习（FL）提供了一种去中心化且隐私保护的训练方式，但在高度非独立同分布（non-IID）场景中表现不佳，此时数据代表性更好的机构可能面临性能下降。此外，现有大规模联邦学习研究局限于成人数据集，忽视了儿童数据所带来的独特挑战，这引入了额外的非IID变异性。为此，我们分析了来自多个国家的398,523例成人胸片和9,125例儿童图像，利用来自通用自监督图像表征进行迁移学习，以分类肺炎和无异常情况。我们发现，基于最先进的视觉Transformer，联邦学习仅对较小的成人数据集（P<0.001）有效，但对更大的数据集（P<0.064）和儿童病例（P=0.242）反而导致性能下降。然而，若将联邦学习与自监督权重相结合，可显著提升儿童病例（P=0.031）和大多数成人数据集（P<0.008）的表现，仅最大数据集例外（P=0.052）。这些发现凸显了利用易于部署的通用自监督图像表征应对临床联邦学习中非IID挑战的潜力，并彰显其在提升患者预后和推进儿童医疗保健方面的前景——后者正面临数据稀缺与变异性持续存在的障碍。
引用
@article{arxiv.2504.08584,
title = {Boosting multi-demographic federated learning for chest radiograph analysis using general-purpose self-supervised representations},
author = {Mahshad Lotfinia and Arash Tayebiarasteh and Samaneh Samiei and Mehdi Joodaki and Soroosh Tayebi Arasteh},
journal= {arXiv preprint arXiv:2504.08584},
year = {2025}
}
备注
Published in European Journal of Radiology Artificial Intelligence