评估乳腺密度异质性下的联邦学习方法
机器学习
2026-05-12 v1
摘要
乳腺密度是影响乳腺X线片解读和多中心数据集主要来源之一的关键因素。这种异质性在跨机构协作机器学习中尤其是联邦学习中提出了挑战。本研究旨在评估乳腺密度引起的异质性对联邦学习在乳腺影像分类中的影响，并评估常见联邦学习算法在现实临床环境中的鲁棒性。我们在两种情景下进行实验：(1) 强异质性情景下，每个参与站点仅贡献低密度或高密度病例，基于BI-RADS密度评分；(2) 基于种族人群（白人和亚洲人）的乳腺密度分布模拟情景。在强异质性情景下，我们评估了两种配置：一种是2个客户，病例按BI-RADS A-B和C-D分组；一种是4个客户，每个站点仅包含单一BI-RADS密度的病例。我们将三种联邦学习方法（FedAvg、FedProx、SCAFFOLD）与集中训练、仅本地训练和naive聚合方法（包括集成和权重平均）进行比较。在两种情景下，联邦学习的性能均与集中训练相当，而在存在强异质性时，局部模型和naive聚合方法表现不足。值得注意的是，FedAvg的准确率与集中训练持平或更好，表明其对乳腺密度引起的数据不平衡具有鲁棒性，无需特殊的异质性缓解算法。这些发现表明联邦学习可以解决乳腺密度相关的异质性问题，支持其在实际乳腺影像工作流程中的可行性。FedAvg的鲁棒性强调了其在广泛临床部署的潜力，使其能够在保持数据隐私的同时实现协作模型开发。
引用
@article{arxiv.2605.09137,
title = {Evaluating Federated Learning approaches for mammography under breast density heterogeneity},
author = {Gonzalo Iñaki Quintana and Franco Martin Di Maria and Laurence Vancamberg},
journal= {arXiv preprint arXiv:2605.09137},
year = {2026}
}