面向COVID-19诊断的安全联邦学习方法
图像与视频处理
2024-01-24 v1 计算机视觉与模式识别
分布式、并行与集群计算
机器学习
摘要
近期的大流行病凸显了在医院环境中准确诊断COVID-19的重要性。这方面的一个主要挑战是基于胸部X光片区分COVID-19与其他呼吸系统疾病，而HIPAA合规性限制又加剧了这一挑战，因为它限制了患者X光片的比对。本文引入了一个符合HIPAA标准的模型，利用联邦学习来辅助COVID-19的诊断。联邦学习是一种分布式机器学习方法，允许在多个去中心化设备上使用本地数据样本进行算法训练，而无需共享数据。我们的模型推进了先前在胸部X光诊断模型方面的努力。我们研究了该领域知名竞赛中的领先模型，并开发了针对特定医院数据有效的自有模型。考虑到模型在联邦学习环境中运行，我们探讨了有偏数据更新对模型性能的潜在影响。为了增进医院对模型决策过程的理解，并验证模型未聚焦于无关特征，我们采用了一种可视化技术，突出显示胸部X光中指示COVID-19阳性诊断的关键特征。
引用
@article{arxiv.2401.12438,
title = {Secure Federated Learning Approaches to Diagnosing COVID-19},
author = {Rittika Adhikari and Christopher Settles},
journal= {arXiv preprint arXiv:2401.12438},
year = {2024}
}