医学影像中大规模模型的联邦学习：综合综述
密码学与安全
2025-08-29 v1 计算机视觉与模式识别
摘要
人工智能（AI）在医学影像领域展现出巨大的潜力。然而，开发高性能AI模型通常需要在大规模集中数据集上进行训练。这一方法因严格的患者隐私法规和数据共享使用限制面临重大挑战。这些限制阻碍了医学领域大规模模型的开发，并阻碍了使用新数据进行持续更新和训练。联邦学习（Federated Learning, FL）作为一种隐私保护的分布式训练框架，提供了新的解决方案，通过在碎片化的医学数据集上实现协作模型开发。本综述系统性地回顾了FL在医学分析全栈流程中的贡献。首先，在CT或MRI重建等上游任务中，FL使 diverse、跨机构数据集上鲁健重建网络的联合训练成为可能，缓解了数据稀缺问题的同时保持了保密性。其次，在肿瘤诊断和分割等下游临床任务中，FL支持在不集中化处理敏感图像的情况下进行持续模型更新。我们全面分析了医学影像管道中FL的实现，从受物理约束的重建网络到诊断AI系统，突出显示了改进通信效率、对异构数据进行对齐以及确保安全参数聚合的创新措施。同时，本文对未来研究方向进行了展望，旨在为该领域的发展提供有价值的参考。
引用
@article{arxiv.2508.20414,
title = {Federated Learning for Large Models in Medical Imaging: A Comprehensive Review},
author = {Mengyu Sun and Ziyuan Yang and Yongqiang Huang and Hui Yu and Yingyu Chen and Shuren Qi and Andrew Beng Jin Teoh and Yi Zhang},
journal= {arXiv preprint arXiv:2508.20414},
year = {2025}
}