一种基于联邦注意力机制的堆叠LSTM框架，用于在模拟的非独立同分布联邦环境下实现可解释的疟疾诊断

《Scientific Reports》：A federated attention-based stacked LSTM framework for interpretable malaria diagnosis under simulated non-IID federated conditions

　　

摘要

疟疾仍然是全球范围内的重大健康问题，尤其是在资源匮乏的地区，那里的显微镜诊断高度依赖专家判断，且结果容易出现差异。尽管深度学习模型在自动疟疾检测方面展现出出色的分类性能，但现有的大多数方法都是黑箱系统，且假定数据是集中式、独立同分布的。这些限制降低了临床对其的信任度，因此人们开始探索适用于分布式医疗环境的隐私保护型学习方法。为解决这些问题，本研究提出了FASL-Net，这是一种基于联邦注意力机制的堆叠长短期记忆框架，它能够在模拟的非独立同分布联邦学习环境下实现可量化的可解释性评估。显微镜下的血液涂片图像被转换为100×75大小的块级序列表示，从而可以通过堆叠的LSTM层对空间依赖关系进行建模。一种温度控制的注意力机制可用于识别具有诊断意义的区域，而可解释性则通过注意力熵值以及因果删除-插入分析来量化评估。该模型在集中式训练中的准确率为94.39%，在具有异构数据分区的三客户端模拟联邦学习环境中的准确率为94.95%。注意力熵值分析显示平均熵值约为2.46，远低于理论最大值（约4.60），表明模型的决策具有针对性。删除实验表明，若移除那些受到高度关注的图像块，准确率会下降约44%；而插入实验则显示，仅使用最显著的10%的图像块就能保持约95%的准确率。通过 McNemar检验比较集中式模型与联邦学习模型，得到的检验统计值为0.03（p=0.861），说明在当前模拟环境下两者没有统计学上的显著差异。这些结果证明了在受控的异构条件下，将联邦学习、序列注意力建模与可量化可解释性相结合用于疟疾诊断是可行的。这项研究为可信的联邦学习疟疾诊断提供了概念验证基础，也为未来使用真实的多中心临床数据集进行验证奠定了基础。