基于联邦对比学习的动态加权方法在非独立同分布医疗图像分类中的应用

《Scientific Reports》：Dynamic weighted federated contrastive learning for robust medical image classification under heterogeneous data

　　随着人工智能技术的快速发展，近年来AI驱动的医学图像分类受到了广泛关注。然而，日益严格的数据隐私法规显著限制了医疗机构之间的数据共享，使得传统集中式学习框架难以有效利用分布式医疗数据资源。联邦学习作为一种隐私保护的分布式机器学习范式，使多个机构能够在不直接交换原始数据的情况下协同训练模型。然而，联邦学习在实际应用中仍面临若干关键挑战，包括由非独立同分布（Non-IID）数据引起的数据分布异质性和模型偏差。为解决上述挑战，本文提出了一种基于联邦对比学习的动态加权学习方法。与仅关注局部表征优化或采用固定聚合权重的方法不同，所提出的框架将监督式对比局部训练与基于损失反馈的多因素客户端加权相结合，从而联合控制局部表征漂移和服务器端模型聚合。具体而言，该框架通过联合利用局部和全局模型表征进行监督式对比优化，将对比学习融入联邦学习框架中。该策略有效缓解了不同客户端之间的分布差异，并随着通信轮次的推进逐步将局部模型与全局模型对齐。此外，在全局聚合过程中引入了损失反馈规则，仅当候选损失反馈值降低时才接受候选全局模型参数和聚合权重。同时，提出了一种多因素加权聚合机制，基于多个因素全面评估客户端贡献，从而对更有利于全局模型优化的局部模型分配更大的聚合权重。实验在骨质疏松膝部X光数据集和COVID-肺炎-正常胸部X光数据集上，分别在IID和不同Non-IID设置下进行了验证。在严重Non-IID条件下，所提方法在两个数据集上分别取得了92.12%和96.27%的准确率，98.31%和97.68%的受试者工作特征曲线下面积（AUC），以及90.92%和93.22%的F1分数。与代表性联邦学习方法及静态加权消融设置的对比表明，所提方法在异构客户端分布条件下仍能保持具有竞争力的分类性能和稳定的训练行为。