基于嵌入的联邦学习及运行时治理：铁缺乏预测框架评估
机器学习
2026-05-22 v1
摘要
最近的综述发现，绝大多数已发表的医疗联邦学习研究最终无法实现实际部署。我们开发了一个基于嵌入的联邦学习管道，用于从常规全血细胞（FBC）数据预测铁缺乏，并在阿姆斯特丹大学医学中心（AUMC）和英国国家血液输输中心（NHSBT）两个临床环境中部署。这两个环境在铁缺乏患病率、铁蛋白分布和受试人群中差异显著。冻结的领域特定hematology基础模型DeepCBC执行站点本地表示提取，将联邦训练限制在紧凑的下游分类器上，大幅减少了循环通信。两个临床数据集在结构上并非独立同分布（non-IID），其异质性源于不同人群差异而非抽样制造。通过FLA（面向医疗的联邦学习平台），强制执行运行时治理，包括研究范围内执行、基于策略的授权和签名审计日志。标准的样本大小加权聚合（FedAvg）在两个站点相对于本地训练均降低了受试者工作特征曲线下面积（ROC-AUC），因为全局更新偏向较大的AUMC分布。FedMAP（个人化聚合方法）将AUMC的ROC-AUC从0.9470提升至0.9594，将NHSBT的ROC-AUC从0.8558提升至0.8671，实现了最高的宏平均ROC-AUC为0.9133和整体最佳的宏平均平衡准确率。这些结果支持在客户样本大小和任务相关性差异显著的临床联邦中采用个人化聚合。
引用
@article{arxiv.2605.21563,
title = {Embedding-Based Federated Learning with Runtime Governance for Iron Deficiency Prediction},
author = {Fan Zhang and Simon Deltadahl and Majid Lotfian Delouee and Daniel Kreuter and Joseph Taylor and Allerdien Visser and BloodCounts Consortium and James H. F. Rudd and Nicholas S. Gleadall and Suthesh Sivapalaratnam and Folkert Asselbergs and Martijn C. Schut and Michael Roberts},
journal= {arXiv preprint arXiv:2605.21563},
year = {2026}
}