FedMAP：面向真实大规模医疗系统的个性化联邦学习
机器学习
2025-10-29 v2
摘要
联邦学习（FL）有望在保护数据隐私的同时实现跨医疗站点的协作机器学习。实际部署仍然受到统计异质性的限制，这种异质性源于患者人口统计、治疗和结果的差异以及基础设施约束。我们引入了FedMAP，一个个性化联邦学习（PFL）框架，通过使用输入凸神经网络先验的局部最大后验（MAP）估计来解决异质性。这些先验表示从其他站点收集的全局知识，在适应本地数据的同时指导模型，我们提供了收敛的形式证明。与许多依赖固定正则化的PFL方法不同，FedMAP的先验自适应地学习捕捉复杂站点间关系的模式。我们在三个大规模临床数据集上展示了与本地训练、FedAvg和几种PFL方法相比的改进性能：10年心血管风险预测（CPRD，387个全科诊所，258,688名患者）、缺铁检测（INTERVAL，4个献血中心，31,949名献血者）和死亡率预测（eICU，150家医院，44,842名患者）。FedMAP采用三层设计，使具有不同基础设施和技术能力的医疗站点能够参与，从完全联邦训练到仅推理部署。地理分析显示公平性显著改善，表现不佳的区域实现了高达14.3%的性能提升。该框架为大规模医疗FL部署提供了第一条实用途径，确保所有规模的临床站点都能受益，增强公平性并保留隐私。
引用
@article{arxiv.2405.19000,
title = {FedMAP: Personalised Federated Learning for Real Large-Scale Healthcare Systems},
author = {Fan Zhang and Daniel Kreuter and Carlos Esteve-Yagüe and Sören Dittmer and Javier Fernandez-Marques and Samantha Ip and BloodCounts! Consortium and Norbert C. J. de Wit and Angela Wood and James HF Rudd and Nicholas Lane and Nicholas S Gleadall and Carola-Bibiane Schönlieb and Michael Roberts},
journal= {arXiv preprint arXiv:2405.19000},
year = {2025}
}