FedMLP: 任务异构下的联邦多标签医学图像分类

跨机构联邦学习使分散的组织能够协作训练模型，同时保护数据隐私，并在医学图像分类方面取得了显著进展。一个常见的假设是任务同质性，即每个客户端在训练期间可以访问所有类别。然而，在临床实践中，给定一个多标签分类任务，受限于医学知识水平和疾病流行程度，每个机构可能仅诊断部分类别，从而导致任务异构性。如何在任务异构下进行有效的多标签医学图像分类尚未得到充分探索。在本文中，我们首先在多标签FL领域形式化了这种现实的标签缺失设置，并提出了一个两阶段方法FedMLP，从两个方面应对类别缺失问题：伪标签标记和全局知识学习。前者利用预热模型生成类原型并选择高置信度样本来补充缺失标签，而后者则使用全局模型作为教师进行一致性正则化，以防止遗忘缺失类别的知识。在两个公开医学数据集上的实验验证了FedMLP在任务异构下优于最先进的联邦半监督和噪声标签学习方法。代码可在 https://github.com/szbonaldo/FedMLP 获取。