FedSAF：用于增强胃癌检测与隐私保护的联邦学习框架
机器学习
2025-03-21 v1
摘要
胃癌是最常诊断的癌症之一，且死亡率较高。由于医疗资源有限，开发胃癌识别的机器学习模型为医疗机构提供了有效的解决方案。然而，这类模型通常需要大量样本进行训练和测试，这会挑战患者隐私。联邦学习通过在不共享敏感患者数据的情况下跨多个机构训练模型，提供了有效的替代方案。本文通过修改数据处理方法来解决公开可用胃癌数据的样本数有限问题。本文提出FedSAF，一种新型联邦学习算法旨在提高现有方法的性能，尤其是在非独立同分布（non-IID）数据场景中。FedSAF集成了基于注意力的消息传递和Fisher信息矩阵以提高模型准确性，同时通过模型分割功能降低计算和传输成本。超参数调优和消融实验表明，该新算法有效，显示出在胃癌数据集上测试准确率的显著提升，FedSAF在FedAMP、FedAvg和FedProx等现有联邦学习方法中取得优异性能。该框架在额外数据集（SEED、BOT、FashionMNIST和CIFAR-10）上的鲁棒性和泛化能力也得到进一步验证，实现了多样化环境中的高性能。
引用
@article{arxiv.2503.15870,
title = {FedSAF: A Federated Learning Framework for Enhanced Gastric Cancer Detection and Privacy Preservation},
author = {Yuxin Miao and Xinyuan Yang and Hongda Fan and Yichun Li and Yishu Hong and Xiechen Guo and Ali Braytee and Weidong Huang and Ali Anaissi},
journal= {arXiv preprint arXiv:2503.15870},
year = {2025}
}