基于联邦迁移学习的PET-CT肝脏病灶分割隐私保护协同诊断新范式

本文创新性地提出融合联邦学习(FL)和迁移学习(TL)的隐私保护框架(FTL)，通过特征协同学习模块(FCB)整合PET-CT多模态数据，结合差分隐私(DP)和同态加密(HE)技术，在确保患者数据安全前提下显著提升肝脏病灶分割精度(Dice评分提高3.55%)，为跨机构医学影像分析提供标准化解决方案。

　　

研究亮点

• 首创结合联邦学习与自适应迁移学习的隐私保护FTL框架，实现跨机构肝脏病灶分析而无需共享敏感患者数据

• 开发多模态特征协同学习块(FCB)，通过交叉注意力机制动态整合解剖(CT)与功能(PET)特征，显著提升病灶检测精度

• 采用差分隐私(DP)噪声注入和同态加密(HE)技术，在LiTS数据集取得66.65%的Dice分数，较基线提升3.55%

• 通过迁移预训练MedSAM模型有效缓解标注数据不足问题，适应不同医院的成像协议差异

问题定义

在肝脏病灶分析的联邦迁移学习中，即使医院仅有少量标注的PET-CT数据，也能通过其他机构的关联数据集进行知识迁移。各医院在本地服务器上微调全局预训练模型，既提升病灶分割精度，又确保患者数据始终安全存储在本地。研究目标是通过FCB模块实现PET-CT特征最优融合，同时利用DP和HE技术构建符合GDPR/HIPAA标准的隐私保护框架。

数据集与实验设置

使用密歇根大学与湖州中心医院200余例PET-CT扫描数据，包含配对的病灶分割金标准、良恶性标签及生存预后数据。图像经256×256像素标准化处理，采用5折交叉验证，联邦学习设置10个模拟医疗节点，每轮随机选择30%节点参与训练。

结论

该联邦迁移学习框架通过MedSAM与FCB的协同创新，在多中心PET-CT分割中展现卓越性能：不仅提升放疗规划与手术导航的病灶勾画精度，更通过隐私保护技术打破数据孤岛，为肝癌精准诊疗建立可扩展的AI协作范式。