用于皮肤病变分类的半监督联邦同伴学习
摘要
在全球范围内，皮肤癌是最致命的疾病之一。每年有数百万人被诊断出患有这种癌症。然而，早期检测可大幅降低医疗成本和死亡率。近来使用深度学习方法进行自动化癌症分类已取得人类水平的性能，但这需要在同一地点汇集大量标注数据，而此类条件通常难以满足。最近，联邦学习 (FL) 被提出以隐私保护的方式训练去中心化模型，其依赖于客户端侧的标注数据，而这些数据通常不可用且成本高昂。为此，我们提出了 FedPerl，一种半监督联邦学习方法。我们的方法受教于教育心理学中的同伴学习以及委员会机器的集成平均。FedPerl 基于客户端的相似性构建社群，然后鼓励社群成员相互学习，为未标注数据生成更准确的伪标签。我们还提出了同伴匿名化 (PA) 技术以对客户端进行匿名。作为我们方法的核心组件，PA 与其他方法正交，不增加额外复杂度，并在提升性能的同时降低通信成本。最后，我们提出了一种动态同伴学习策略，用于控制学习流以避免性能下降，尤其是针对个体客户端。我们的实验设置包含从 5 个公开可用数据集收集的 71,000 张皮肤病变图像。我们在 SSFL 的四种不同场景中测试了我们的方法。在标注数据很少的情况下，FedPerl 在标准设置下与皮肤病变分类的 state-of-the-art 方法相当，同时分别优于 SSFL 和基线 1.8% 和 15.8%。此外，它对未见过的客户端泛化更好，且对噪声客户端不那么敏感。
引用
@article{arxiv.2103.03703,
title = {Semi-Supervised Federated Peer Learning for Skin Lesion Classification},
author = {Tariq Bdair and Nassir Navab and Shadi Albarqouni},
journal= {arXiv preprint arXiv:2103.03703},
year = {2022}
}
备注
Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) [https://www.melba-journal.org%E2%80%9D]https://www.melba-journal.org