FedSAF:一种用于增强胃癌检测及隐私保护的联邦学习框架
《ACM Transactions on Computing for Healthcare》:FedSAF: A Federated Learning Framework for Enhanced Gastric Cancer Detection and Privacy Preservation
【字体:
大
中
小
】
时间:2026年09月21日
来源:ACM Transactions on Computing for Healthcare 4.0
编辑推荐:
摘要
胃癌是最常见的癌症诊断之一,且死亡率较高。由于医疗资源有限,开发基于图像的机器学习胃癌识别模型可为医疗机构提供高效的解决方案。然而,此类模型通常需要大量样本,这可能对患者隐私构成挑战。联邦学习能够在不共享敏感数据的情况下,实现跨机构的协作模型训练。本文通过一种改进的数
摘要胃癌是最常见的癌症诊断之一,且死亡率较高。由于医疗资源有限,开发基于图像的机器学习胃癌识别模型可为医疗机构提供高效的解决方案。然而,此类模型通常需要大量样本,这可能对患者隐私构成挑战。联邦学习能够在不共享敏感数据的情况下,实现跨机构的协作模型训练。本文通过一种改进的数据处理方法来解决公开数据有限的问题。我们系统评估了多个预训练计算机视觉模型,并根据分类性能和计算效率为胃癌图像分析选择了最合适的架构。随后,我们提出了FedSAF——一种联邦学习方法,在两段式服务器聚合流水线中集成了分割个性化、相似度加权聚合以及基于tFIM的滞后者降权,以在非独立同分布(non-IID)设置下提升性能。FedSAF结合了基于注意力的消息传递和Fisher信息矩阵加权,同时通过模型分割降低了计算和传输成本。在胃癌数据集上,与FedAMP相比,FedSAF将SEED上的最佳测试准确率从0.9790提升至0.9843,将BOT上的最佳测试准确率从0.7834提升至0.8116。模型分割使传输参数减少了83.70%,同时保持了较高的准确率(0.9798)。该框架在SEED、BOT、FashionMNIST和CIFAR-10上均展现出强大的鲁棒性。所提出的聚合策略适用于隐私敏感的分布式学习场景。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号