具有个性化与共享组件混合的医疗联邦模型
人工智能
2023-06-27 v1 机器学习
摘要
尽管数据驱动的方法在疾病诊断与治疗上通常具有显著性能，但由于收集数据用于模型训练，它们被质疑存在隐私泄露风险。近来，联邦学习提供了一种安全可信的替代方案，可在多家机构间不交换任何医疗数据的情况下协同训练模型。因此，因其天然的隐私保护优势而备受关注。然而，当不同医院间存在异质医疗数据时，联邦学习通常不得不面对性能下降的问题。在本文中，我们提出一种新的个性化联邦学习框架来处理该问题。它基于对本地的数据相似性的感知成功生成个性化模型，并比现有方法实现了更好的泛化与个性化之间的权衡。此后，我们进一步设计了一个差分稀疏正则化器以提升模型训练过程中的通信效率。此外，我们提出了一种有效方法以降低计算成本，显著提升了计算效率。进而，我们收集了 5 个真实医疗数据集，包括 2 个公共医学图像数据集和 3 个私有多中心临床诊断数据集，并通过结节分类、肿瘤分割和临床风险预测任务评估其性能。与 13 种现有相关方法相比，所提方法成功取得了最佳的模型性能，同时通信效率提升高达 60%。源代码已公开，可在 https://github.com/ApplicationTechnologyOfMedicalBigData/pFedNet-code 获取。
引用
@article{arxiv.2306.14483,
title = {Medical Federated Model with Mixture of Personalized and Sharing Components},
author = {Yawei Zhao and Qinghe Liu and Xinwang Liu and Kunlun He},
journal= {arXiv preprint arXiv:2306.14483},
year = {2023}
}
备注
Medical data, federated learning, personalized model, similarity network