面向多机构医学影像的联邦模板与任务学习
计算机视觉与模式识别
2026-01-26 v1
摘要
联邦学习使跨地理分布的医疗机构能够在保护数据隐私的前提下协同训练模型。然而，数据域迁移和异构性常导致模型性能下降。医学影像应用尤其受数据获取协议、扫描仪类型和患者人群差异的影响。为解决这些问题，我们引入联邦模板与任务学习 (FeTTL)，一种旨在联邦环境下校准多机构医学影像数据的新型框架。FeTTL 学习全局模板及任务模型，以对齐各客户机的数据分布。我们在两个具有挑战性且多样化的多机构医学影像任务上评估了 FeTTL：视网膜底光学盘分割和组织病理转移归类。实验结果表明，FeTTL 在光学盘分割和来自多机构数据的转移归类中显著优于最先进的联邦学习基线方法（p 值 <0.002）。我们的实验进一步突显了同时学习模板与任务的重要性。这些发现表明，FeTTL 提供了一种原则且可扩展的解决方案，用于缓解联邦学习中的分布迁移，支持在真实世界的多机构环境中实现稳健的模型部署。
引用
@article{arxiv.2601.16302,
title = {FeTTL: Federated Template and Task Learning for Multi-Institutional Medical Imaging},
author = {Abhijeet Parida and Antonia Alomar and Zhifan Jiang and Pooneh Roshanitabrizi and Austin Tapp and Ziyue Xu and Syed Muhammad Anwar and Maria J. Ledesma-Carbayo and Holger R. Roth and Marius George Linguraru},
journal= {arXiv preprint arXiv:2601.16302},
year = {2026}
}