医学影像中基于不确定性估计的隐私保护性联邦学习

机器学习（ML）和人工智能（AI）推动了医疗领域的重大进展。在医学影像领域，ML模型有望提高疾病诊断、治疗规划和术后监测能力。图像分类、目标检测和图像分割等各种计算机视觉任务正逐步成为临床分析的常规任务。然而，围绕患者数据的隐私 concerns 阻碍了组建大规模训练数据集的能力，从而影响开发和训练准确、稳健和可泛化的模型。联邦学习（Federated Learning, FL）作为一种有力解决方案，使组织能够通过共享模型训练信息（如梯度）而非数据（如医学影像）来协作完成ML模型训练。FL的分布式学习框架促进了跨机构合作，同时维护了患者隐私。然而，尽管FL在隐私保护方面表现稳健，但仍面临挑战。敏感信息仍可从在模型训练期间在组织之间传递的梯度中获取。此外，在医学影像中，准确量化模型置信度和不确定性至关重要，因为数据中存在噪声和伪影。由于数据在不同组织之间异构，FL中的不确定性估计面临独特的挑战。本文综述了FL、隐私保护和不确定性估计，特别关注医学影像领域。我们对当前研究进行了调查，识别了该领域的研究空白，并提出了未来FL研究的方向，以增强隐私保护并应对噪声医学影像数据挑战。