通过隐私保护联邦学习与不确定性量化增强医学影像的未来适应性：综述
图像与视频处理
2024-09-26 v1 人工智能
计算机视觉与模式识别
摘要
人工智能（AI）在自动化各种医学影像任务中展现了巨大潜力，这可能很快成为疾病诊断、预后、治疗规划和治疗后监测的临床常规。然而，围绕患者数据的隐私问题构成了 AI 在医学影像中广泛采用的主要障碍，因为大型、多样化的训练数据集对于开发准确、可泛化且稳健的人工智能模型至关重要。联邦学习（FL）提供了一种解决方案，使各机构能够在不共享敏感数据的情况下协作训练 AI 模型。联邦学习在参与站点之间交换模型训练信息（如梯度）。尽管前景广阔，但联邦学习仍处于发展阶段，面临若干挑战。值得注意的是，仍然可以从模型训练期间共享的梯度中推断出敏感信息。由于部署后潜在的数据分布偏移会影响模型性能，量化 AI 模型的不确定性至关重要。由于参与站点之间的数据异质性，FL 中的不确定性量化（UQ）尤其具有挑战性。本综述全面检查了 FL、隐私保护联邦学习（PPFL）以及 FL 中的 UQ。我们指出了当前 FL 方法论中的关键空白，并提出了未来的研究方向，以增强医学影像应用中的数据隐私和可信度。
引用
@article{arxiv.2409.16340,
title = {Future-Proofing Medical Imaging with Privacy-Preserving Federated Learning and Uncertainty Quantification: A Review},
author = {Nikolas Koutsoubis and Asim Waqas and Yasin Yilmaz and Ravi P. Ramachandran and Matthew Schabath and Ghulam Rasool},
journal= {arXiv preprint arXiv:2409.16340},
year = {2024}
}
备注
21 pages, 5 figures, 4 tables, Review paper, preprint to Radiology AI. arXiv admin note: text overlap with arXiv:2406.12815