面向隐私保护医院影像分类的联邦持续学习
机器学习
2026-01-13 v1
摘要
深度学习模型在放射学诊断中日益依赖多机构数据，但隐私法规和医院间数据分布的偏移限制了中心化数据池的使用。联邦学习 (FL) 允许医院在不共享原始图像的情况下协同训练模型，但当前 FL 算法通常假设数据分布为静态。在实际情况下，医院会经历病例构成、标注协议和影像设备的持续演变，这会导致模型顺序更新时出现灾难性遗忘。联邦持续学习 (FCL) 旨在平衡这些挑战，但现有方法要么忽视医疗保健的严格隐私约束，要么依赖回放缓冲区和公共替代数据集，在临床实践中难以合理接受。我们研究了针对胸部 X 光片分类的 FCL，假设医院是接收时间演变案例和标签流的客户端。我们提出 DP-FedEPC (差分隐私联邦弹性原型Consolidation) 方法，集成了弹性权重整合 (EWC)、基于原型的排练以及标准 FedAvg 框架中的客户端差分隐私。EWC 通过约束对先前任务重要参数的更新，防止遗忘；而基于原型的记忆库在不存储原始图像的前提下保留类别结构。每个客户端使用差分隐私随机梯度下降 (DP-SGD) 对裁剪后的梯度添加校准的高斯噪声，提供对单个放射图的正式隐私保障。
引用
@article{arxiv.2601.06742,
title = {Federated Continual Learning for Privacy-Preserving Hospital Imaging Classification},
author = {Anay Sinhal and Arpana Sinhal and Amit Sinhal},
journal= {arXiv preprint arXiv:2601.06742},
year = {2026}
}