基于迁移学习模型的肾脏CT图像分类稳健隐私保护联邦框架

《Frontiers in Artificial Intelligence》：A robust privacy-preserving federated framework for kidney CT image classification using transfer learning models

　　

摘要
引言：肾脏异常，包括囊肿、肿瘤和结石，是最常见的肾脏疾病，可导致严重并发症，如慢性肾脏病或肾衰竭。基于深度学习的医学图像分析为准确分类肾脏异常提供了一种有效方法，有助于肾脏疾病的早期诊断。然而，其集中式训练导致隐私保护不足。
方法：考虑到确保个人数据隐私的重要性，本研究提出了一种新颖的联邦迁移学习框架，利用12,446张肾脏CT扫描图像准确分类肾脏异常，同时保护数据隐私。CT扫描图像通过调整大小和归一化进行预处理，随后采用数据增强技术，包括随机旋转（±30°）、水平翻转和颜色抖动，以解决类别不平衡问题并提高模型泛化能力。五个预训练深度学习模型，如MobileNetV2、EfficientNetV2-S、ResNet50、DenseNet121和InceptionResNetV2，在七个联邦客户端上进行训练。采用联邦加权平均进行聚合，并对客户端与服务器之间的所有模型参数传输应用CBC模式下的AES-256加密。
结果：MobileNetV2取得了最佳性能，准确率达到99.48%，精确率99.29%，召回率99.32%，F1-score 99.3%，AUC-ROC 0.9999，对数损失0.0247。跨客户端验证产生平均准确率98.85%，泛化差距仅为?0.0063，表明在不同客户端数据集上具有较强的泛化能力。
讨论：所提出的框架在隐私保护和通信效率之间提供了有效平衡，凸显了其在分布式临床环境中用于肾脏疾病诊断的部署潜力。

**基于迁移学习模型的稳健隐私保护联邦框架用于肾脏CT图像分类——论文解读**

慢性肾脏病（Chronic Kidney Disease, CKD）影响全球超过8.5亿人，是重要的非传染性慢性疾病，可导致心血管并发症和死亡风险增加。肾囊肿、肿瘤和结石等肾脏异常的准确早期诊断对延缓疾病进展至关重要。基于深度学习（Deep Learning, DL）的医学图像分析已在肾脏CT分类中展现出优越性能，但传统的集中式训练需要汇集患者原始影像数据，带来严重的隐私泄露风险。联邦学习（Federated Learning, FL）允许各参与机构在本地训练模型，仅共享模型参数，从机制上保护数据隐私。然而现有FL框架仍存在若干不足：聚合方法如联邦平均（FedAvg）仅按数据集大小加权，未考虑本地模型性能；模型参数在客户端与服务器间传输时缺乏加密保护，可能遭受未授权访问；肾脏CT数据集的类别不平衡易导致少数类识别性能下降；且多数研究仅在单一数据集上验证，缺乏跨域泛化证据。为此，该研究提出了一种结合AES-256加密与联邦加权平均（Federated Weighted Averaging, FedWAvg）聚合策略的隐私保护联邦迁移学习框架，用于肾脏CT图像四分类（囊肿、肿瘤、结石、正常）。研究发表在《Frontiers in Artificial Intelligence》。

研究人员利用来自Kaggle的肾脏CT数据集，共12,446张图像，类别分布为囊肿3,709张、肿瘤2,283张、结石1,377张、正常5,077张。图像统一调整至224×224像素并归一化。将数据集按80:20划分训练集（9,956张）和测试集（2,490张）。针对类别不平衡，对少数类（肿瘤、结石）应用随机旋转（±30°）、水平翻转和颜色抖动等增强技术，使各类样本数均达到4,061张，形成平衡训练集共16,244张。通过分层K折（K=7）将平衡数据分配给7个模拟客户端，每轮随机选择3个客户端参与本地训练。采用五个在ImageNet上预训练的模型：MobileNetV2、EfficientNetV2-S、ResNet50、DenseNet121和InceptionResNetV2，冻结骨干层，仅微调最后10层及新分类头。客户端更新参数使用AES-256在CBC模式下加密后传输至服务器，服务器解密后利用FedWAvg聚合更新全局模型。训练配置为10个全局轮次，每客户端5个本地epoch，批大小10，学习率1×10^?4，Adam优化器，损失函数为Log Loss。实验在Kaggle平台Tesla T4 GPU上完成，采用PyTorch实现。

关键技术方法概括如下：①数据增强（旋转、翻转、颜色抖动）解决类别不平衡；②基于分层K折的7客户端联邦环境（IID分布），每轮随机选3个客户端；③AES-256 CBC模式加密保障参数传输安全；④FedWAvg聚合（权重=数据集大小×本地验证准确率）；⑤五种预训练模型迁移学习微调；⑥使用IQ-OTH/NCCD肺癌CT数据集（1,097张图像）进行跨域泛化验证。

**性能评估**
在10个全局轮次中，所有模型准确率均随轮次稳步提升。第10轮时，MobileNetV2取得最佳性能：准确率99.48%、精确率99.29%、召回率99.32%、F1-score 0.993、AUC-ROC 0.9999、Log Loss 0.0247。其余模型准确率为：EfficientNetV2-S 97.79%、DenseNet121 97.15%、ResNet50 95.66%、InceptionResNetV2 93.49%。混淆矩阵表明MobileNetV2对各类别的分类准确率：囊肿99.33%、正常99.90%、结石98.91%、肿瘤99.12%。结石类别在所有模型中准确率相对最低，可能因其影像特征与其他异常相似。

**计算效率**
MobileNetV2训练时间为10.55分钟（含AES加密），加密开销仅0.86%，通信开销为26.21 MB/轮。InceptionResNetV2训练时间最长（79.80分钟），通信开销最大（623.57 MB/轮），表明MobileNetV2在性能和效率间达到最佳平衡，适合实际联邦部署。

**跨客户端验证分析**
将最终全局模型在7个客户端分区上独立测试，准确率范围98.06%~99.40%，平均准确率98.85%，泛化差距（cross-client准确率与测试准确率之差）为?0.0063，表明模型在客户端间具有良好的泛化能力，无过拟合迹象。

**跨域泛化性研究**
在IQ-OTH/NCCD肺癌CT数据集上，采用表现最佳的MobileNetV2作为基础模型进行跨域验证。第10轮测试准确率约92.27%，损失值整体呈下降趋势，证实框架具备跨医学影像域的泛化能力。

**聚合技术选择**
以MobileNetV2为基座模型，比较了四种聚合策略：FedWAvg、FedAvg、FedProx和FedAdam。FedWAvg在第9轮达到99.48%准确率；FedAvg第10轮为99.2%；FedProx将准确率从77%提升至83%；FedAdam仅达64%~72%。结果表明FedWAvg在收敛速度和最终精度上均优于其他方法。

**临床适用性**
在真实场景中，各医院或诊断中心作为联邦客户端，在本地保留患者CT数据，利用AES-256加密传输参数，服务器使用FedWAvg聚合后回传更新模型。MobileNetV2的低通信开销使其适用于网络条件各异的医疗机构，在保护患者隐私的前提下实现跨机构协同训练。

**讨论与结论**
该框架通过加密传输和性能感知聚合，在隐私保护与模型精度之间取得了有效平衡。局限性包括：仅使用单一公共肾脏数据集，未完全反映真实医院网络的异质性；实验采用分层划分形成的IID数据分布，未评估非独立同分布（non-IID）条件下的表现；尽管AES-256保护传输过程，联邦学习仍可能面临梯度反演和模型反演攻击。未来工作将探索non-IID场景、差分隐私（Differential Privacy）和安全聚合（Secure Aggregation）以强化隐私保障，并引入Grad-CAM、SHAP等可解释性技术提升临床可信度。研究结论：所提出的安全联邦学习框架能够以高准确率完成肾脏异常分类，同时保护数据隐私，具备在分布式临床环境中部署的潜力。