面向分布式医疗系统的联邦元学习用于个性化药物

个性化药物旨在根据患者的个体特征量身定制医疗方案。然而，跨医疗机构的患者数据异构性为实现准确有效的个性化治疗带来了重大挑战。伦理顾虑也使聚合来自不同机构的大量数据变得复杂。联邦学习(FL)提供了一种通过交换客户端模型而非原始数据来进行协作模型训练的去中心化解决方案，从而保护隐私。然而，现有的FL方法常在服务器聚合过程中出现退化，导致实际医疗FL环境中模型性能下降。为此，我们提出面向分布式医疗系统的联邦元学习(FedMetaMed)，将联邦学习与元学习结合，创建适应不同患者数据跨医疗系统的模型。FedMetaMed 框架旨在通过解决这些限制，为单个客户端生产优越的个性化模型。具体而言，我们在服务器端引入累积傅里叶聚合(CFA)，以提高全局知识聚合的稳定性和有效性。CFA 通过逐步整合来自低频至高频的客户端模型来实现此目标。在客户端层面，我们实施了协作传递优化(CTO)策略，通过检索、传递和精炼三个步骤来通过无缝的全局知识传递来增强个性化的本地模型。在真实世界医学影像数据集上的实验表明，FedMetaMed 在性能上超过了最先进的FL方法，即使是在分布不均的队列中也表现出色。