面向儿童肺炎检测的联邦学习：无需共享患者数据即可实现协作诊断
机器学习
2025-11-18 v1 密码学与安全
分布式、并行与集群计算
摘要
从胸部X光片（CXR）中及时和准确地检测肺炎对于加速治疗和隔离、减少并发症以及遏制不必要的抗生素使用具有临床关键意义。尽管人工智能（AI）显著提高了基于CXR的检测效果，但由于数据在全球分布不均、跨机构差异大以及严格的隐私法规（如HIPAA、GDPR）使数据集中化变得不可行，开发仍受阻。这些限制又因影像协议异质、数据 availability 不均以及在广阔地理区域之间传输大型医学影像的成本而加剧。本文评估了基于Sherpa.ai FL平台的联邦学习（FL），使多个医院（节点）能够在不共享数据、保持隐私的前提下协同训练CXR分类器以检测肺炎。使用儿童肺炎胸部X光数据集，我们模拟了跨医院合作的场景，采用非独立且非同分布（non-IID）数据，再现了不同机构和司法管辖区之间的真实世界差异。我们的实验表明，通过联邦学习在多个医院之间进行协作和隐私保护的训练显著提升了性能，达到0.900的准确率和0.966的ROC-AUC，分别比单一医院模型（0.610；0.644）提高了47.5%和50.0，期间未传输任何患者CXR。这表明联邦学习为医疗网络中的高性能、可泛化、安全且私密的肺炎检测提供了解决方案，数据始终保持在本地。这尤其适用于罕见疾病，联邦学习使多机构合作成为可能，无需数据移动，为加速诊断和治疗开发在数据稀缺领域提供了突破性方法。
引用
@article{arxiv.2511.11714,
title = {Federated Learning for Pediatric Pneumonia Detection: Enabling Collaborative Diagnosis Without Sharing Patient Data},
author = {Daniel M. Jimenez-Gutierrez and Enrique Zuazua and Joaquin Del Rio and Oleksii Sliusarenko and Xabi Uribe-Etxebarria},
journal= {arXiv preprint arXiv:2511.11714},
year = {2025}
}