面向癌症组织病理学的简化 Swarm Learning 框架：面向健壮和可扩展诊断服务

医疗数据的复杂性，包括隐私问题、数据不平衡和互操作性问题， necessitates innovative machine learning 解决方案。Swarm Learning（SL），作为 Federated Learning 的去中心化替代方案，提供隐私保留的分布式训练，但其对区块链技术的依赖限制了可达性和可扩展性。本文引入一种针对资源受限环境的 \textit{简化点对点 Swarm Learning（P2P-SL）框架}，专为癌症组织病理学设计。通过消除区块链依赖，采用轻量级点对点通信，所提出框架确保模型同步的同时保持数据隐私。应用于癌症组织病理学，该框架集成优化的预训练模型（如 TorchXRayVision），并通过 DenseNet 解码器增强，以提高诊断准确性。广泛实验表明，该框架在处理不平衡和偏差数据方面有效，能够实现与集中模型相当的性能，同时保持隐私。该研究为 democratizing 面向高级机器学习的医疗保健，提供了一个可扩展、可达且高效的隐私敏感诊断应用解决方案。