基于隐私保护联邦学习与域适应的多站点fMRI分析：ABIDE结果

深度学习模型已在包括神经影像分析在内的许多不同任务中展现出优势。然而，为有效训练高质量的深度学习模型，需要聚合大量患者信息。在组装大型fMRI数据集时，获取与标注所需的时间和成本使得在单一站点难以获取大量数据。但是，由于保护患者数据隐私的需要，很难从多个机构组装中心数据库。联邦学习通过将全局模型发送至本地实体、在本地训练模型、然后在全局模型中平均梯度或权重，使得无需集中各实体的数据即可训练群体级模型。然而，一些研究表明可从模型梯度或权重中恢复私人信息。在本工作中，我们以解决多站点fMRI分类的隐私保护策略问题为目标。为此，我们提出一种联邦学习方法，其中实现了去中心化迭代优化算法，并通过随机化机制改变共享的本地模型权重。考虑到不同站点fMRI分布的系统性差异，我们进一步在该联邦学习框架中提出两种域适应方法。我们研究了联邦模型优化的各种实际方面，并将联邦学习与替代训练策略进行比较。总体而言，我们的结果表明，在不共享数据的情况下利用多站点数据以提升神经影像分析性能并发现可靠的疾病相关生物标志物是有前景的。我们提出的流程可推广至其他隐私敏感的医疗数据分析问题。