基于深度特征提示的灵活且可扩展的联邦学习方法在数字病理学中的应用

《npj Digital Medicine》：Flexible and scalable federated learning with deep feature prompts for digital pathology

　　

摘要

跨医疗机构的协作学习对于构建稳健且可泛化的数字病理模型至关重要。联邦学习（FL）能够在不集中数据的情况下实现协作，但其应用受到高通信成本、模型异质性和隐私问题的限制。我们提出了联邦深度特征提示（FedDFP），这是一种专为异构临床环境设计的高效FL框架。FedDFP引入了轻量级的、针对客户端定制的可学习提示，这些提示应用于整张切片图像的嵌入表示。通过仅共享这些紧凑的提示，FedDFP将通信开销降低了99.9%以上，同时提高了分类准确性。在TCGA-IDH、CAMELYON16和CAMELYON17上的广泛实验表明，FedDFP的表现始终优于标准和个性化FL基线方法，平均AUC提升达到了0.11–0.13（相对于仅使用本地数据训练的情况），甚至超过了最强联邦学习方法的0.10。此外，FedDFP的收敛速度提高了2–4倍，并且在不同的特征提取器和多实例学习架构中仍能保持有效性，展示了其可扩展性、灵活性以及对隐私的关注。