《DIGITAL HEALTH》：A privacy-preserving multicenter framework for lung nodule segmentation in low-dose CT using an F1-score-weighted federated 3D Transformer-UNet
编辑推荐：
摘要专业翻译
背景：使用低剂量计算机断层扫描（LDCT）早期检测肺结节对于降低肺癌死亡率至关重要。尽管基于深度学习的分割模型已展现出良好的性能，但由于患者隐私法规和数据共享限制，跨多家医疗机构进行集中式训练往往不可行。医院之间的异质性数据分布也可能降低协同训练
摘要专业翻译
背景：使用低剂量计算机断层扫描（LDCT）早期检测肺结节对于降低肺癌死亡率至关重要。尽管基于深度学习的分割模型已展现出良好的性能，但由于患者隐私法规和数据共享限制，跨多家医疗机构进行集中式训练往往不可行。医院之间的异质性数据分布也可能降低协同训练模型的稳健性。因此，实际临床部署需要一个兼具隐私保护和稳健性的多中心分割框架。
方法：研究人员开发了一种基于3D Transformer-UNet的隐私保护联邦框架。在网络瓶颈处应用多头自注意力（Multi-Head Self-Attention, MHSA）以捕获长距离体素依赖性，同时在跳跃连接中引入多头交叉注意力（Multi-Head Cross-Attention, MHCA）以调节编码器与解码器特征的融合。每个通信轮次中，三个物理上独立的客户端工作站均参与训练。使用服务器端LUNA16参考集对每个本地模型进行评估，并将所得结节级F1分数归一化以确定聚合权重。初始聚合模型随后通过LUNA16辅助的形态学校正进行优化。
结果：完整框架在结节级别上实现了精确率、召回率和F1分数分别为84.5%、85.1%和84.8%。在体素级别上，Dice相似系数达到78.9%，交并比（Intersection-over-Union, IoU）为65.2%，平均表面距离为1.36 mm。所提出的方法在45个通信轮次后达到预定的收敛标准，而FedAvg需要85个轮次，相当于达到收敛所需的估计累积模型传输负载减少了47.1%。
结论：所提出的框架结合了基于注意力的体素特征学习、F1分数加权聚合和服务器端形态学校正。在所评估的三客户端模拟中，这种组合提高了结节级检测、体素级分割和收敛效率，同时避免了私有LDCT图像的交换。在临床部署之前，需要使用前瞻性和自然分布的多中心临床数据进行进一步验证。
论文解读文章
一、研究背景与问题提出
肺癌是全球癌症相关死亡的首要原因，其高发病率与不良预后主要源于频繁的晚期诊断。早期发现至关重要，因为局部早期干预可显著提高五年生存率。低剂量计算机断层扫描（Low-Dose Computed Tomography, LDCT）已成为筛查的金标准，可有效识别小肺结节并最大限度减少辐射暴露。然而，LDCT生成的海量数据（每次扫描常包含数百个切片）给放射科医生带来了沉重负担，增加了诊断变异性和漏诊风险。肺结节的形态学多样性进一步加剧了这一挑战：结节直径与病理风险之间存在强相关性，直径<4 mm的结节通常为良性（恶性概率<1%），而直径≥8 mm或球面积为418像素的结节恶性概率显著升高（>15%）。尽管这些形态学特征对评估至关重要，但人工鉴别在临床工作流程中仍存在困难。
传统基于卷积神经网络（Convolutional Neural Network, CNN）的模型受限于固有归纳偏置，难以捕获体医学图像中的长距离空间依赖。Transformer架构通过自注意力机制可有效捕获全局上下文关系，与CNN的局部特征提取能力结合后可显著提升复杂解剖结构的分割性能。然而，稳健的计算机辅助诊断（Computer-Aided Diagnosis, CAD）系统的开发还面临数据隐私和机构间数据异质性的障碍。严格的医疗法规使数据集被隔离在各医院内部，集中训练不可行。联邦学习（Federated Learning, FL）作为一种去中心化范式应运而生，允许多机构在不交换原始数据的情况下协同训练全局模型。但标准FL策略如联邦平均（Federated Averaging, FedAvg）和联邦近端（Federated Proximal, FedProx）通常假设数据独立同分布（Independent and Identically Distributed, IID），而临床实践中影像数据高度非IID，不同扫描仪厂商、成像协议和患者人口统计学差异导致领域偏移，引发模型发散和泛化性能下降。
二、研究内容与核心贡献
针对上述问题，研究人员开发了一种联邦3D Transformer-UNet框架，在架构层面和聚合层面均区别于现有方法。该研究为回顾性多中心方法学研究，数据来源于台湾高雄国军总医院和左营国军总医院，分析了2025年1月至2025年12月期间去标识化的LDCT检查，并结合公开的LUNA16数据集。研究在三个物理独立的客户端工作站上实施受控的三客户端跨孤岛联邦学习模拟，每个工作站配备一块NVIDIA GeForce RTX 4090 GPU（24 GB显存），实测峰值显存消耗约18 GB。
研究的主要贡献包括：第一，开发了结合瓶颈MHSA和跳跃连接MHCA的3D Transformer-UNet；第二，引入精度感知的联邦聚合策略，根据分割性能调整机构更新的贡献；第三，开发服务器端形态学校正策略，利用公开LUNA16数据集作为参考域；第四，进行了受控架构比较、联邦优化比较、组件消融实验和非IID稳健性分析。
三、关键技术方法
研究人员采用了以下核心技术方法：（1）数据预处理：所有CT体数据重采样至0.8×0.8×1.0 mm3统一空间分辨率，HU值裁剪至[-1000, 400]范围并归一化至[0,1]，沿z轴以16切片步长滑动512×512×32体素窗口；（2）网络架构：保留卷积3D编码器-解码器主干，在瓶颈处集成MHSA捕获全局上下文，在跳跃连接中集成MHCA实现选择性特征融合；（3）联邦学习策略：采用F1分数加权聚合，使用服务器端LUNA16参考集评估各客户端更新质量，通过软最大化子域损失动态计算形态学加权，执行服务器端梯度校正；（4）混合损失函数联合优化。
四、研究结果
结节级检测性能：完整框架在结节级别实现了84.5%的精确率、85.1%的召回率和84.8%的F1分数，表明模型在检测结节存在性方面具有较高灵敏度，同时有效抑制了假阳性。
体素级分割精度：在体素级别上，Dice相似系数达到78.9%，IoU为65.2%，平均表面距离为1.36 mm，验证了模型在形态学保真度方面的良好表现。
收敛效率提升：所提出的方法在45个通信轮次后达到预定收敛标准，而FedAvg需要85个轮次，对应估计累积模型传输负载减少47.1%，显著提升了联邦训练效率。
消融实验与稳健性分析：通过受控架构比较、联邦优化比较和组件消融实验，分别验证了MHSA、MHCA、F1分数加权聚合和公开参考校正的各自贡献。非IID稳健性分析表明该框架在异质数据分布下具有更好的泛化能力。
五、讨论与结论
讨论部分指出，与现有Transformer-based分割网络（如Transformer-UNet、UNETR、Swin-UNETR）和常规联邦优化方法（如FedAvg、FedProx、SCAFFOLD）相比，所提出框架联合解决了网络表示和联邦异质性两大问题。该框架将全局自注意力限制在瓶颈处，在跳跃连接中使用交叉注意力调节高分辨率编码器特征的传递，并通过精度感知机制评估客户端更新，以LUNA16数据集作为服务器端参考域进行形态学引导校正。因此，该方法的贡献不是现有Transformer-based U-Net与FedAvg的直接组合，而是一个协调框架，整合了形态敏感特征融合、性能感知聚合和公共参考引导校正。
研究结论表明，所提出的框架结合了基于注意力的体素特征学习、F1分数加权聚合和服务器端形态学校正。在三客户端模拟条件下，这种组合提高了结节级检测、体素级分割和收敛效率，同时避免了私有LDCT图像的交换。在临床部署之前，需要使用前瞻性和自然分布的多中心临床数据进行进一步验证。
