面向隐私保护脑肿瘤定位且具备模态级可解释性的联邦 Transformer-GNN
计算机视觉与模式识别
2026-01-22 v1 人工智能
摘要
用于脑肿瘤分析的深度学习模型需要大型且多样化的数据集，但由于隐私法规，这些数据集通常被孤立在各医疗机构中。我们提出了一个用于脑肿瘤定位的联邦学习框架，该框架能够在不共享敏感患者数据的情况下实现多机构协作。我们的方法扩展了源自先前无解码器超体素 GNN 的混合 Transformer-图神经网络架构，并部署在 CERN 专为医疗环境设计的联邦学习平台 CAFEIN® 中。我们通过 Transformer 注意力机制提供了可解释性分析，揭示了哪些 MRI 模态驱动了模型预测。在 BraTS 数据集上的实验证明了一个关键发现：虽然在单个客户端数据上进行孤立训练会在达到完整训练能力之前触发提前停止，但联邦学习通过利用分布式数据实现了持续的模型改进，最终达到与集中式训练相当的性能。这一结果为在处理复杂任务和高维输入数据时采用联邦学习提供了强有力的依据，因为聚合来自多个机构的知识显著有益于学习过程。我们的可解释性分析通过对完整测试集进行严格的统计检验（使用 Bonferroni 校正的配对 t 检验）得到验证，表明更深的网络层显著增加了对 T2 和 FLAIR 模态的注意力（，Cohen's =1.50），这与临床实践相一致。
关键词
引用
@article{arxiv.2601.15042,
title = {Federated Transformer-GNN for Privacy-Preserving Brain Tumor Localization with Modality-Level Explainability},
author = {Andrea Protani and Riccardo Taiello and Marc Molina Van Den Bosch and Luigi Serio},
journal= {arXiv preprint arXiv:2601.15042},
year = {2026}
}