MORPHFED：用于跨机构血液形态学分析的联邦学习
机器学习
2026-01-08 v1 计算机视觉与模式识别
摘要
自动化血液形态学分析可以支持中低收入国家（LMICs）的血液学诊断，但仍然对来自染色差异、成像差异和罕见形态的数据集偏移敏感。由于隐私法规和数据共享限制，构建集中式数据集来捕捉这种多样性通常不可行。我们引入了一个用于白细胞形态学分析的联邦学习框架，该框架允许跨机构协作训练，而无需交换训练数据。使用来自多个临床地点的血涂片，我们的联邦模型学习到稳健、域不变的表征，同时保持完全的数据隐私。对卷积和基于Transformer架构的评估表明，与集中式训练相比，联邦训练实现了强大的跨站点性能和改善的对未见机构的泛化能力。这些发现凸显了联邦学习作为一种实用且保护隐私的方法，用于在资源有限的医疗环境中开发公平、可扩展和可泛化的医学影像人工智能。
引用
@article{arxiv.2601.04121,
title = {MORPHFED: Federated Learning for Cross-institutional Blood Morphology Analysis},
author = {Gabriel Ansah and Eden Ruffell and Delmiro Fernandez-Reyes and Petru Manescu},
journal= {arXiv preprint arXiv:2601.04121},
year = {2026}
}