
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于联邦学习的胃肠道内镜基础模型框架:隐私保护下的多任务临床应用
《npj Digital Medicine》:FedFound: Federated Foundation Model for GI endoscopy imaging
【字体: 大 中 小 】 时间:2026年10月16日 来源:npj Digital Medicine 18.0
编辑推荐:
摘要胃肠道(GI)内镜检查对于识别异常和实现早期诊断至关重要,从而提高诊断准确性并促进及时的临床干预。虽然深度学习在支持胃肠道诊断方面展现出前景,但大多数模型需要精心标注的数据集,获取成本高且适用范围有限。基础模型通过学习通用表示提供了范式转变,这些表示可以适应多种任务,从而
胃肠道(GI)内镜检查对于识别异常和实现早期诊断至关重要,从而提高诊断准确性并促进及时的临床干预。虽然深度学习在支持胃肠道诊断方面展现出前景,但大多数模型需要精心标注的数据集,获取成本高且适用范围有限。基础模型通过学习通用表示提供了范式转变,这些表示可以适应多种任务,从而解决了数据稀缺和变异性的问题。然而,由于隐私法规、安全顾虑以及阻碍集中数据聚合的碎片化数字基础设施,在医学影像数据上训练此类模型仍然具有挑战性,尽管医院集体生成了大量的内镜数据。为了克服这些障碍,我们提出了一种用于胃肠道基础模型的联邦学习(FL)框架,允许数据保持在本地,同时协同训练一个共享模型。我们在三个临床相关的下游任务——分类、检测和分割——下,分别在同质和异质设置中广泛评估了多种联邦学习算法。我们进一步使用更多数量的客户端并跨多种预训练策略评估了该框架,以检验其可扩展性和鲁棒性。我们的结果表明了持续的性能提升,突出了联邦基础模型在实现临床验证的AI应用以及支持在真实世界胃肠道内镜实践中进行安全、符合法规部署方面的潜力。