医疗多模态联邦学习基准测试 Med-MMFL
计算机视觉与模式识别
2026-02-05 v1 人工智能
摘要
联邦学习（FL）使跨去中心化医疗机构的模型训练能够在保留数据隐私的同时进行协作。然而，医疗联邦学习基准测试仍稀缺，现有工作主要聚焦于单模态或双模态，且涉及的医疗任务范围有限。这一差距凸显了亟需为医疗多模态联邦学习（MMFL）建立标准化评估以推动系统性理解的必要性。为此，我们引入了 Med-MMFL，首个覆盖医疗领域中多样化模态、任务和联邦场景的综合性 MMFL 基准测试。我们的基准测试评估了六种具有代表性的前沿联邦学习算法，涵盖不同的聚合策略、损失函数形式和正则化技术。它涵盖包含 2 至 4 种模态的数据集，总计 10 种独特医疗模态，包括文本、病理图像、心电图、X 光、放射报告以及多种 MRI 序列。实验在自然联邦、合成 IID 和合成非 IID 设置下进行，以模拟现实世界的异构性。我们评估了分割、分类、模态对齐（检索）和 VQA 任务。为支持未来在现实医疗环境下对多模态联邦学习（MMFL）方法进行可重复性和公平比较，我们在 https://github.com/bhattarailab/Med-MMFL-Benchmark 上发布了完整的基准实现，包括数据处理和分区管道。
引用
@article{arxiv.2602.04416,
title = {Med-MMFL: A Multimodal Federated Learning Benchmark in Healthcare},
author = {Aavash Chhetri and Bibek Niroula and Pratik Shrestha and Yash Raj Shrestha and Lesley A Anderson and Prashnna K Gyawali and Loris Bazzani and Binod Bhattarai},
journal= {arXiv preprint arXiv:2602.04416},
year = {2026}
}