解锁多站点临床数据：面向儿童自闭症行为分析的隐私优先联邦方法
计算机视觉与模式识别
2026-04-06 v1
摘要
儿童自闭症行为的自动识别对于早期干预和客观临床评估至关重要。然而，稳健模型的开发受到严格隐私法规（如HIPAA）和儿科数据敏感性的严重阻碍，这阻止了临床数据集的集中聚合。此外，各临床站点通常面临数据稀缺问题，使得学习通用行为模式或针对站点特定患者分布调整模型变得困难。为应对这些挑战，我们观察到联邦学习（FL）可以将模型训练与原始数据访问解耦，在保持严格数据驻留的同时实现多站点协作。本文首次探索了利用联邦学习进行基于姿态的儿童自闭症行为识别。我们的框架采用两层隐私保护机制：利用人体骨骼抽象从原始RGB视频中移除可识别的视觉信息，并通过FL确保敏感姿态数据保留在诊所内。该方法利用分布式临床数据学习通用表征，同时提供站点特定个性化的灵活性。在MMASD基准上的实验结果表明，我们的框架实现了高识别准确率，优于传统联邦基线，为多站点临床分析提供了稳健的隐私优先解决方案。
引用
@article{arxiv.2604.02616,
title = {Unlocking Multi-Site Clinical Data: A Federated Approach to Privacy-First Child Autism Behavior Analysis},
author = {Guangyu Sun and Wenhan Wu and Zhishuai Guo and Ziteng Wang and Pegah Khosravi and Chen Chen},
journal= {arXiv preprint arXiv:2604.02616},
year = {2026}
}
备注
Accepted on the CVPR 2026 Workshop on Computer Vision for Children (CV4CHL)