用于隐私保护医学AI的联邦学习

本学位论文研究了利用阿尔茨海默病神经影像学倡议(ADNI)的三维MRI数据进行阿尔茨海默病分类的隐私保护联邦学习。现有方法常常存在数据划分不切实际、隐私保证不足和基准测试不充分等问题，限制了其在医疗保健领域的实际部署。为解决这些不足，本研究提出了一种新的站点感知数据划分策略，该策略保留机构边界，反映了现实世界的多机构协作和数据异质性。此外，引入了一种自适应本地差分隐私(ALDP)机制，根据训练进度和参数特征动态调整隐私参数，从而在隐私-效用权衡上显著优于传统的固定噪声方法。跨多个客户端联合体和隐私预算的系统性实证评估表明，先进的联邦优化算法，特别是FedProx，在确保严格隐私保护的同时，可以达到或超过集中式训练的性能。值得注意的是，ALDP在双客户端配置中实现了高达80.4%的准确率，比固定噪声的本地差分隐私高出5-7个百分点，并展现出显著更高的训练稳定性。全面的消融研究和基准测试为隐私保护的协作式医学AI建立了量化标准，为实际部署提供了实用指南。这项工作从而推进了医学影像联邦学习的最新技术水平，为未来医疗保健领域符合隐私要求的AI应用奠定了方法论基础和实证证据。