面向非独立同分布数据集与模态不平衡的多模态联邦学习癌症分期
机器学习
2024-10-10 v3 人工智能
摘要
通过医学图像分析进行癌症分期的机器学习（ML）方法已在医学领域引起广泛关注。结合创新的联邦学习（FL）框架，ML技术可进一步克服患者数据暴露相关的隐私问题。鉴于患者记录中常存在多种数据模态，在多模态学习框架中利用FL对癌症分期具有巨大潜力。然而，现有关于多模态FL的工作通常假设所有数据收集机构都能访问所有数据模态。这种过于简化的方法忽略了系统中仅能访问部分数据模态的机构。本文提出一种新颖的FL架构，不仅能够适应数据样本的异质性，还能适应各机构间数据模态固有的异质性/非均匀性。我们揭示了FL系统中不同数据模态收敛速度差异带来的挑战，并提出一种解决方案：设计针对多模态FL的分布式梯度混合与邻近感知客户端加权策略。为展示方法的优越性，我们使用癌症基因组图谱（TCGA）数据湖，针对不同癌症类型及三种数据模态（mRNA序列、组织病理图像数据和临床信息）进行实验。实验结果进一步揭示了机构间基于类别和基于类型的异质性对模型性能的影响及严重程度，拓宽了多模态FL文献中数据异质性概念的视角。
引用
@article{arxiv.2401.03609,
title = {Multi-Modal Federated Learning for Cancer Staging over Non-IID Datasets with Unbalanced Modalities},
author = {Kasra Borazjani and Naji Khosravan and Leslie Ying and Seyyedali Hosseinalipour},
journal= {arXiv preprint arXiv:2401.03609},
year = {2024}
}
备注
Published in IEEE Transactions on Medical Imaging (TMI), DOI: https://doi.org/10.1109/TMI.2024.3450855