综述：用于医学影像中眼部疾病检测的联邦深度学习方法：系统综述

《Current Medical Imaging》：Federated Deep Learning Approaches for Detecting Ocular Diseases in Medical Imaging: A Systematic Review

人工智能与联邦学习在眼科疾病诊断中的应用研究

　　

摘要

引言：人工智能在医疗保健领域显著提升了疾病诊断的效率，尤其是通过深度学习（DL）和联邦学习（FL）技术。这些技术在利用医学影像检测眼部疾病方面展现出了巨大潜力，同时解决了数据隐私和安全方面的挑战。联邦学习能够在不共享敏感医疗数据的情况下实现协作学习，因此成为医疗应用中一个有吸引力的解决方案。本系统综述旨在分析基于人工智能的眼部疾病检测技术进展，重点关注联邦学习方法。文章评估了联邦学习在提高诊断准确性方面的发展、方法论、面临的挑战以及其在确保数据保密性方面的效果。

方法：本系统综述遵循了PRISMA（系统综述和荟萃分析的优先报告项目）框架，以确保透明度和可靠性。通过学术数据库（包括Web of Science、Scopus、IEEE Xplore和PubMed）识别了2017年至2024年间发表的相关研究文章。根据预定义的纳入和排除标准，筛选出了专注于使用深度学习和联邦学习模型检测眼部疾病的研究。文章对比分析了不同联邦学习模型的方法论、架构、数据集和性能指标。

结果与讨论：研究结果表明，联邦学习在保护数据隐私的同时，能够达到与传统集中式人工智能模型相当的诊断性能。包括FedAvg和FedProx在内的多种联邦学习模型已被应用于眼部疾病检测，表现出较高的准确性和效率。然而，数据异质性、通信效率以及模型收敛性等问题仍然存在。

结论：联邦学习为眼部疾病检测提供了一种有前景的方法，能够在诊断准确性和数据隐私之间取得平衡。未来的研究可以致力于优化联邦学习框架，以提高其可扩展性、通信效率，并整合更先进的隐私保护技术。