何时 Adapt？在联邦医学影像中的数据或模型适配

联邦学习使医疗机构在不共享原始数据的情况下进行协作模型训练，但性能常受到跨客户端领域异构性的限制。现有的解决方法分为两大范畴：模型侧的个人化调整通过适应每个客户端的参数来实现；数据侧的调和通过在输入层面减少跨客户端的差异来缓解问题。尽管广泛应用，这两种策略都未得到系统性比较。本文我们在六个医学影像场景中进行了全面研究——结肠息肉、皮肤病变、乳腺肿瘤分割，以及结核 CXR、脑肿瘤和乳腺肿瘤分类，涵盖了多种类型的领域偏移。我们在统一框架下评估了广泛的前沿调和和个人化方法。我们的结果揭示了一种由异构性本质决定的条件性权衡：当变异主要来自外观层面时（如 CXR 分类），调和方法更为有效；当差异具有结构性时（如结肠息肉分割），个人化方法表现更好。当跨客户端变异有限时，两种策略的表现相似。这些发现表明，联邦医学影像中适应的效果取决于领域偏移的类型和幅度，而非策略本身。我们提供了在调和与个人化之间进行选择的实用指南，并指出未来结合两种范畴的混合方法的方向。代码可在 https://github.com/ChamaniS/WhenToAdapt 查阅。