FedDropoutAvg：用于组织病理学图像分类的可泛化联邦学习

联邦学习（FL）能够在无需共享参与方数据的情况下协作学习深度学习模型。FL 在医学图像分析任务中相对新颖且尚有改进空间。在本研究中，我们提出 FedDropoutAvg，一种用于训练可泛化模型的新型联邦学习方法。所提方法利用随机性，既体现在客户端选择中，也体现在联邦平均过程中。我们在真实世界多中心组织病理学图像分类任务的 FL 场景中，将 FedDropoutAvg 与若干算法进行比较。我们表明，使用 FedDropoutAvg，最终模型可达到优于其他 FL 方法、且更接近需要共享所有数据以进行集中训练的经典深度学习模型的性能。我们在一个由来自 21 个不同中心的 120 万图像块组成的大型数据集上测试训练好的模型。为评估所提方法的泛化能力，我们使用来自 FL 中所用中心的数据的留出测试集，以及来自其他未参与联邦训练的独立中心的数据的未见数据。我们表明所提方法比其他最先进的联邦训练方法更具泛化性。据我们所知，我们的研究是首个在医学图像分析任务的联邦设置中使用随机客户端与局部模型参数选择过程的研究。