低资源环境下的联邦学习：非洲胸部影像研究中的挑战与经验教训
机器学习
2025-05-21 v1 人工智能
图像与视频处理
摘要
本研究探讨了在非洲多个低资源环境中利用联邦学习（Federated Learning, FL）进行结核病（TB）诊断。联邦学习允许医院在不共享原始患者数据的情况下协同训练人工智能模型，解决传统集中模型所面临的隐私问题和数据稀缺性。该研究涉及八个非洲国家的医院和研究中心。大多数地点使用本地数据集，而喀麦隆和冈比亚使用公共数据集。本研究将在各机构本地训练的模型与跨所有机构构建的联邦模型进行比较，以评估联邦学习在实际场景中的可行性。尽管联邦学习前景广阔，但在撒哈拉以南非洲实施仍面临诸多挑战，包括基础设施薄弱、网络不稳定、数字素养有限以及人工智能法规不完善。部分机构也因对数据控制的担忧而不愿分享模型更新。综上所述，联邦学习在支持欠发达地区人工智能医疗方面显示出巨大的潜力，但要实现更广泛的采用，仍需改善基础设施、教育水平以及监管支持。
引用
@article{arxiv.2505.14217,
title = {Federated learning in low-resource settings: A chest imaging study in Africa -- Challenges and lessons learned},
author = {Jorge Fabila and Lidia Garrucho and Víctor M. Campello and Carlos Martín-Isla and Karim Lekadir},
journal= {arXiv preprint arXiv:2505.14217},
year = {2025}
}