联邦学习在乳腺癌、肺癌和前列腺癌研究中的突破性进展：系统综述与临床转化潜力

本研究系统综述了2020-2023年联邦学习(FL)在乳腺癌、肺癌和前列腺癌领域的应用，通过分析25项研究证实FL在15项研究中超越传统集中式机器学习(ML)，显著提升模型泛化性(ML model generalisability)和预测性能(ML prediction improvement)，同时解决多中心数据隐私问题，为癌症精准医疗提供创新范式。

　　

癌症诊疗正经历人工智能驱动的变革，但传统集中式机器学习(ML)面临数据孤岛困境。随着医学影像(MRI/CT)、电子健康记录(EHR)和基因组数据爆发式增长，单一机构数据存在样本偏差，而多中心数据整合又受制于隐私法规和传输限制。这种矛盾在乳腺癌、肺癌和前列腺癌等重大疾病研究中尤为突出，制约了精准医疗发展。

由OPTIMA联盟跨国团队开展的研究发表在《npj Digital Medicine》，首次系统评估了联邦学习(FL)在这三大癌症领域的实际应用效果。这种革新性技术允许医院在本地数据上训练ML模型，仅共享参数更新而非原始数据，既保护隐私又实现知识共享。研究团队通过PRISMA标准筛选25项关键研究，建立双重评估体系：不仅要求与集中式ML基线比较，还需证明性能优势。

技术方法上，研究团队采用系统文献综述法，涵盖2020-2023年FL在三大癌症的应用。分析涉及多种ML架构（如ResNet、UNet）、数据模态（影像/EHR/基因组）和FL方法（水平/垂直联邦），特别关注模型泛化性、预测性能提升等核心指标。样本来源包括>100,000患者的跨机构数据。

研究结果显示四大关键发现：

1. 技术效能方面，FL在60%研究中（15/25）超越集中式ML，如在Agbley等的研究中，基于ResNet的FL模型达到95.95%的乳腺癌分类准确率。前列腺癌研究中，Yan等开发的VAFL（Variation-aware FL）方法通过生成对抗网络(GAN)标准化多中心MRI数据，使分类准确率达98.75%。

2. 临床适用性方面，FL最常用于肿瘤识别（8项）和疾病分型（7项）。Wang等开发的SCL-Net通过PET-CT数据分割肿瘤，Dice系数达89.5%。Ogier du Terrail等结合WSI和临床数据预测三阴性乳腺癌化疗反应，AUC提升至66%。

3. 数据多样性处理上，研究揭示FL能有效应对非独立同分布(non-IID)数据挑战。Gao等提出的群体学习(Swarm Learning)通过标签偏置感知损失函数，在部分标注的MRI数据上实现81.1-92.5%的Dice分数。

4. 隐私保护机制方面，虽然仅8项研究明确说明隐私技术，但Peta等采用ElGamal加密在乳腺癌分类中实现95.68%准确率，证明安全性与效能可兼顾。

讨论部分指出，FL的三大突破性价值在于：首先，突破数据壁垒，使模型能学习更全面的疾病模式，如Tayebi Arasteh等利用>695,000份胸片训练的FL模型显著提升肺癌识别率；其次，通过FedAvg（联邦平均）等聚合算法，平衡数据异质性带来的挑战；最后，为多模态整合铺路，如同时分析基因组、影像和EHR数据。

但研究也揭示现存瓶颈：仅34%研究公开代码，影响可复现性；数据规模差异大（从100到>100,000患者）；评估指标缺乏标准化。作者建议未来研究采用FedProx、FedNova等先进聚合算法，并建立癌症专用的FL基准数据集。

这项研究标志着FL从概念验证向临床实践过渡的关键转折。特别是在OPTIMA项目框架下，为跨国癌症研究提供了兼顾隐私与协作的新范式。正如作者强调，随着欧盟《通用数据保护条例》(GDPR)等法规实施，FL将成为破解数据共享困局、加速癌症诊疗创新的核心技术路径。这项工作不仅系统验证了FL的临床价值，更为全球癌症协作研究制定了方法论标准。