FedAgain：面向腰膜结石识别的人类信任型鲁棒性联邦学习策略
计算机视觉与模式识别
2026-03-23 v1 人工智能
摘要
人工智能（AI）在医学影像中的可靠性，严重依赖其对异构且受损图像的鲁棒性，这类图像常常是通过不同医院、不同设备获取的，这一点极具挑战性。因此，本文提出了 FedAgain，一种基于信任的联邦学习（Federated Learning）策略，旨在增强从内窥镜图像中自动识别腰膜结石的鲁棒性和泛化能力。FedAgain 集成了双重信任机制，结合基准可靠性和模型发散性，动态加权客户端贡献，从而减轻噪声或对抗性更新对聚合过程的影响。该框架使模型能在多个机构之间进行协同训练，同时保持数据隐私，并在现实条件下实现稳定收敛。实验结果表明，在非独立同分布（non-IID）数据和受损客户端场景下，FedAgain 在五个数据集上（包括两个经典基准数据集 MNIST 和 CIFAR-10，两个私有多机构腰膜结石数据集，以及一个公共数据集 MyStone） consistently 优于标准联邦学习基线方法。通过在不同条件下维持诊断准确率和性能稳定性，FedAgain 代表了可靠、隐私保护且可临床部署的医学影像联邦 AI 的实用性进步。
引用
@article{arxiv.2603.19512,
title = {FedAgain: A Trust-Based and Robust Federated Learning Strategy for an Automated Kidney Stone Identification in Ureteroscopy},
author = {Ivan Reyes-Amezcua and Francisco Lopez-Tiro and Clément Larose and Christian Daul and Andres Mendez-Vazquez and Gilberto Ochoa-Ruiz},
journal= {arXiv preprint arXiv:2603.19512},
year = {2026}
}
备注
Paper submitted for peer review