通过自适应编码器冻结实现高效联邦学习用于MRI到CT转换：绿色AI引导研究
机器学习
2025-12-04 v1 人工智能
计算机视觉与模式识别
分布式、并行与集群计算
医学物理
摘要
联邦学习（FL）有潜力通过使不同机构能够在数据有限的情况下协作训练深度学习（DL）模型来推进健康平等。然而，FL的显著资源需求常常将计算基础设施有限的中心排除在外，进一步扩大了现有的医疗差距。为解决这一问题，我们提出了一种面向绿色AI的自适应层冻结策略，旨在降低能源消耗和计算负载，同时保持模型性能。我们使用不同的联邦架构测试了该方法，用于磁共振成像（MRI）到计算机断层扫描（CT）的转换。所提出的自适应策略通过监测编码器权重在轮次之间的相对差异，选择性地冻结编码器权重来优化联邦训练。基于耐心的机制确保仅在更新持续最小时才进行冻结。使用CodeCarbon库跟踪联邦的能源消耗和CO2当量排放。与等效的非冻结对应方法相比，我们的方法将训练时间、总能源消耗和CO2当量排放最多降低了23%。同时，MRI到CT转换的性能得以保持，平均绝对误差（MAE）仅有小幅波动。值得注意的是，在五个评估架构中有三个未观察到统计显著差异，而两个架构表现出统计显著的改进。我们的工作符合一个研究范式，即推动满足临床要求的DL框架，同时确保气候、社会和经济的可持续性。它为新型FL评估框架奠定了基础，推进了AI驱动医疗中的隐私、公平以及更广泛的正义。
引用
@article{arxiv.2512.03054,
title = {Energy-Efficient Federated Learning via Adaptive Encoder Freezing for MRI-to-CT Conversion: A Green AI-Guided Research},
author = {Ciro Benito Raggio and Lucia Migliorelli and Nils Skupien and Mathias Krohmer Zabaleta and Oliver Blanck and Francesco Cicone and Giuseppe Lucio Cascini and Paolo Zaffino and Maria Francesca Spadea},
journal= {arXiv preprint arXiv:2512.03054},
year = {2025}
}
备注
22 pages, 13 figures