从预训练到隐私：基于自监督学习的联邦超声生成模型
图像与视频处理
2025-12-18 v2 人工智能
计算机视觉与模式识别
摘要
超声成像因其无创且实时性强的特点而广泛应用于临床诊断。然而，传统的超声诊断高度依赖医生的专业知识，且常因图像质量不佳而导致潜在的诊断误差。虽然人工智能(AI)提供了一个通过检测各种成像模态中的异常情况以提升临床诊断的有前景的解决方案，但现有的AI方法用于超声成像面临两个主要挑战：首先，它们通常需要大量标记的医疗数据，引发对患者隐私的严重关切；其次，大多数模型设计用于特定任务，限制了其更广泛的临床实用性。为克服这些挑战，我们提出了 UltraFedFM，这是一个创新的隐私保护型超声基础模型。UltraFedFM 利用联邦学习在来自 16 个分布在 9 个国家的医疗机构之间进行预训练，涵盖超过 100 万张超声图像，覆盖 19 种器官和 10 种超声模态。这种广泛且多样化的数据结合安全的训练框架，使 UltraFedFM 具备强大的泛化能力和诊断能力。其在疾病诊断方面的平均受试者工作特征曲线下面积(AUROC)为 0.927，肿瘤分割的Dice相似系数(DSC)为 0.878。值得注意的是，UltraFedFM 的诊断准确率已超过中级超声医生(4-8 年经验)，并与高级超声医生(10 年以上经验)在诊断 8 种常见全身疾病时的表现相当。这一发现表明，UltraFedFM 在保障患者隐私的同时，显著提升了临床诊断水平，为未来的临床应用奠定了 AI 驱动型超声成像的重要基础。
引用
@article{arxiv.2411.16380,
title = {From Pretraining to Privacy: Federated Ultrasound Foundation Model with Self-Supervised Learning},
author = {Yuncheng Jiang and Chun-Mei Feng and Jinke Ren and Jun Wei and Zixun Zhang and Yiwen Hu and Yunbi Liu and Rui Sun and Xuemei Tang and Juan Du and Xiang Wan and Yong Xu and Bo Du and Xin Gao and Guangyu Wang and Shaohua Zhou and Shuguang Cui and Zhen Li},
journal= {arXiv preprint arXiv:2411.16380},
year = {2025}
}
备注
npj digital medicine(2025)