综述：用于预测和建模脑卒中病灶进展的联邦学习方法：综述

《ARCHIVES OF COMPUTATIONAL METHODS IN ENGINEERING》：Federated Learning Approaches for Predicting and Modelling Brain Stroke Lesion Progression : A Review

脑卒中病灶进展研究中的联邦学习应用与挑战。传统ML方法存在数据隐私、访问和扩展性问题，而联邦学习通过分布式训练保护隐私并提升效率，已应用于病灶分割、进展预测和多中心协作。本文综述FL在脑卒中研究中的进展，分析其优势（隐私保护、异构数据兼容、跨机构扩展）及挑战（通信效率、模型收敛、数据融合），为临床诊断和个性化治疗提供新方向。

　　

摘要

脑卒中是一种发病率极高的严重疾病，其病变可能导致严重的神经功能障碍。因此，对这种疾病的及时、准确诊断对于其迅速治疗至关重要。然而，在提高诊断效率的标准方法上，目前尚未达成广泛共识。在大多数传统的脑卒中病变进展建模模型中，都采用了机器学习（ML）技术进行数据处理。但这些方法存在数据隐私、数据访问和可扩展性等方面的问题。近年来，联邦学习（FL）作为一种解决方案应运而生，它能够在保护数据隐私的同时实现模型的协同训练。本文综述了联邦学习在脑卒中病变建模研究中的应用，并介绍了新的发展和技术。文章分析了多项关于联邦学习在脑卒中病变分割、病变纵向进展预测以及多中心数据协作方面的研究，阐述了所使用的数据集设计及性能评估方法。此外，还探讨了联邦学习在脑卒中病变进展研究中的优势与局限性，包括保护患者隐私、选择异构数据以及在不同医疗机构间的可扩展性。文章进一步讨论了联邦学习环境中的挑战，如通信效率、模型收敛性以及多种数据源的整合问题。本综述旨在综合上述研究，概述当前联邦学习在脑卒中病变进展研究中的应用现状，并为未来如何利用这一技术改进临床诊断和个性化治疗策略提供方向。