面向 ECG 页面数字化的隐私感知联邦 nnU-Net

深度神经网络可以将 ECG 页面图像转换为可分析的波形，但集中式训练常常与跨机构的隐私和部署约束相冲突。本文提出了一种跨孤岛联邦数字化框架，该框架在无需共享图像的情况下训练全模型 nnU-Net 分割骨干网络，并在现实的非独立同分布（布局、网格样式、扫描仪配置文件、噪声）异质性下跨站点聚合更新。该协议集成了三种标准的服务器端聚合器——FedAvg、FedProx 和 FedAdam——并将安全聚合与中心化的用户级差分隐私相结合，以在效用与形式化保证之间取得平衡。关键特性包括：(i) 跨客户端的端到端全模型训练与同步；(ii) 安全聚合，使得服务器仅在达到参与阈值时才能观察到裁剪后的加权和；(iii) 中心化高斯差分隐私，结合 Renyi 会计在聚合后应用，以实现可审计的用户级隐私；(iv) 一个校准感知的数字化流水线，包括页面归一化、迹线分割、网格泄漏抑制以及到十二导联信号的矢量化。在从 PTB-XL 渲染的 ECG 页面上进行的实验表明，相对于 FedAvg 和 FedProx，使用自适应服务器更新（FedAdam）能够实现持续更快的收敛和更高的后期轮次平台，同时接近集中式训练的性能。该隐私机制在保持有竞争力的准确性的同时，防止了原始图像或每个客户端更新的泄露，为适用于多机构环境提供了可部署、可审计的保证。