面向放疗的联邦预测：可扩展且隐私保护的基于知识的规划
分布式、并行与集群计算
2025-05-22 v1 机器学习
医学物理
摘要
背景：深度学习有望提高放射治疗规划的效率和一致性，但由于数据稀缺和机构间异构性，模型的通用性受限于临床采用受阻碍。虽然聚合来自不同机构的数据可缓解此问题，但由于患者数据隐私及其他技术障碍，数据共享实际上是一个挑战。目的：本工作旨在通过开发FedKBP+，一个为放射治疗治疗规划中预测任务提供综合性联邦学习（FL）平台来解决这一困境。方法：我们实现了一个基于Google远程过程调用（gRPC）的统一通信堆栈，以支持参与者之间在同一工作站上或分布在多个工作站上的通信。除了支持现有开源框架中常见的集中式FL策略外，FedKBP+还提供一种完全去中心化的FL模型，其中参与者通过点对点通信直接相互交换模型权重。我们使用基于尺度注意力网络（SA-Net）的预测模型对FedKBP+进行了三个预测任务的评估。结论：我们的结果表明，FedKBP+在有效性、效率和鲁棒性方面都表现出色，显示出作为放射治疗联邦学习平台的巨大潜力。
引用
@article{arxiv.2505.14507,
title = {Federated prediction for scalable and privacy-preserved knowledge-based planning in radiotherapy},
author = {Jingyun Chen and David Horowitz and Yading Yuan},
journal= {arXiv preprint arXiv:2505.14507},
year = {2025}
}
备注
Under review for publication by the journal of Medical Physics