面向点对点联邦学习的持续学习：以自动化脑转移瘤识别为例的研究
机器学习
2022-11-28 v3 人工智能
摘要
由于数据隐私限制，多中心间的数据共享受到限制。持续学习作为点对点联邦学习的一种途径，可通过共享中间模型而非训练数据来促进多中心在深度学习算法开发上的协作。本研究旨在以 DeepMedic 用于脑转移瘤识别这一示例应用，探究持续学习用于多中心协作的可行性。我们将 920 个 T1 MRI 增强体积进行划分以模拟多中心协作场景。采用一种持续学习算法——突触智能（synaptic intelligence, SI）来保留重要的模型权重，以便依次在各中心训练。在双边协作场景中，采用 SI 的持续学习达到 0.917 的灵敏度，而无 SI 的朴素持续学习达到 0.906 的灵敏度，而仅使用内部数据、无持续学习训练的两个模型灵敏度分别仅为 0.853 和 0.831。在七中心多边协作场景中，无持续学习、在各中心内部数据集（每中心 100 个体积）上训练的模型平均灵敏度为 0.699。采用单次访问持续学习（即共享模型在训练中仅访问每中心一次）时，无 SI 与有 SI 的灵敏度分别提升至 0.788 和 0.849。采用迭代持续学习（即共享模型在训练中多次重访每中心）时，灵敏度进一步提升至 0.914，与使用混合数据训练的灵敏度相同。我们的实验表明，持续学习可改善数据有限中心的脑转移瘤识别性能。本研究证明了在点对点联邦学习中应用持续学习于多中心协作的可行性。
引用
@article{arxiv.2204.13591,
title = {Continual Learning for Peer-to-Peer Federated Learning: A Study on Automated Brain Metastasis Identification},
author = {Yixing Huang and Christoph Bert and Stefan Fischer and Manuel Schmidt and Arnd Dörfler and Andreas Maier and Rainer Fietkau and Florian Putz},
journal= {arXiv preprint arXiv:2204.13591},
year = {2022}
}