FEDMEKI：通过联邦知识注入扩展医学基础模型的基准测试
人工智能
2024-08-20 v1
摘要
本研究提出了联邦医学知识注入（FEDMEKI）平台，一个旨在解决在隐私约束下将医学知识整合到基础模型中的独特挑战的新基准。通过利用跨库联邦学习方法，FEDMEKI规避了与集中式数据收集相关的问题，而集中式数据收集在美国《健康保险可携性与责任法案》（HIPAA）等健康法规下通常被禁止。该平台精心设计用于处理多站点、多模态和多任务的医学数据，涵盖7种医学模态，包括图像、信号、文本、实验室检测结果、生命体征、输入变量和输出变量。用于验证FEDMEKI的整理数据集涵盖8项医学任务，包括6项分类任务（肺不透明度检测、COVID-19检测、心电图异常检测、死亡率预测、败血症预测和心影增大检测）以及2项生成任务（医学视觉问答和心电图噪声澄清）。这个全面的数据集被划分为多个客户端，以促进16种基准方法下的去中心化训练过程。FEDMEKI不仅保护了数据隐私，还通过使医学基础模型能够在无需直接暴露数据的情况下从更广泛的医学知识中学习，从而提升了其能力，为基础模型在医疗领域的应用设立了新的基准。
引用
@article{arxiv.2408.09227,
title = {FEDMEKI: A Benchmark for Scaling Medical Foundation Models via Federated Knowledge Injection},
author = {Jiaqi Wang and Xiaochen Wang and Lingjuan Lyu and Jinghui Chen and Fenglong Ma},
journal= {arXiv preprint arXiv:2408.09227},
year = {2024}
}
备注
Submitted to Neurips 2024 DB Track