FairFedMed：利用FairLoRA对联邦医疗成像中的公平性进行基准测试的团队

《IEEE Transactions on Medical Imaging》：FairFedMed: Benchmarking Group Fairness in Federated Medical Imaging with FairLoRA

针对医疗联邦学习中公平性不足的问题，本文提出FairFedMed数据集和FairLoRA框架，通过低秩近似方法平衡模型性能与公平性，实验证明其在医学图像分类中效果显著。

　　

摘要：

在医疗领域，公平性仍然是一个关键问题，因为服务获取和治疗结果的不平等可能会对患者的健康产生不利影响。虽然联邦学习（FL）提供了一种协作且能够保护隐私的模型训练方法，但由于各机构之间的数据差异较大，确保公平性仍然具有挑战性，而且目前的研究主要集中在非医疗应用方面。为了填补这一空白，我们首次建立了针对医疗领域联邦学习公平性的实验性基准，评估了六种在不同人口统计特征和成像模式下的代表性联邦学习方法。我们推出了FairFedMed，这是第一个专门为研究群体公平性（即在不同人口统计群体中保持一致的性能）而设计的医疗联邦学习数据集。该数据集包含两部分：FairFedMed-Oph，包含具有六个人口统计特征的2D眼底和3D OCT眼科样本；以及FairFedMed-Chest，它使用CheXpert和MIMIC-CXR的子集模拟真实的跨机构联邦学习过程。这两个部分共同支持在不同医学模式和人口统计群体中进行模拟和实际应用中的联邦学习。现有的联邦学习模型在处理医学图像时往往表现不佳，并且忽视了不同人口统计群体之间的公平性问题。为了解决这个问题，我们提出了FairLoRA，这是一个基于奇异值分解（SVD）的低秩近似技术的公平性感知联邦学习框架。该框架为每个人口统计群体定制奇异值矩阵，同时共享奇异向量，从而在保证公平性的同时提升效率。在FairFedMed数据集上的实验结果表明，FairLoRA不仅在医学图像分类方面实现了最先进的性能，还显著提高了不同人群之间的公平性。我们的代码和数据集可以通过GitHub链接获取：https://github.com/Harvard-AI-and-Robotics-Lab/FairFedMed。