基于联邦学习与河豚优化算法的隐私保护面瘫严重程度混合深度学习分类框架

《Scientific Reports》：Federated privacy-preserving facial paralysis severity classification using hybrid deep learning and pufferfish optimization

　　

摘要

面瘫严重程度评估需要在保持敏感患者信息机密性的同时，准确识别细微的面部不对称。传统的集中式深度学习方法需要将患者图像传输到中央存储库，这会增加隐私风险，并限制医疗机构之间的协作学习。为应对这些挑战，本研究提出了一种基于联邦学习的、安全且隐私保护的、结合河豚优化算法的混合深度学习框架（FLSDPP-HDLPO），用于面瘫严重程度的自动分类。所提出的框架首先执行图像预处理和增强，以提高面部图像质量和类别表示。随后采用一种融合胶囊网络（CapsNet）、ResNet50和LeViT的混合特征提取策略，学习互补的空间、层次化和基于注意力的面部表示。提取的特征通过CNN-BiGRU架构进行分类，同时利用河豚优化算法（POA）优化相关模型参数。为在分布式学习过程中保持数据机密性，同态加密被纳入联邦学习流程，使得敏感模型信息可以在不暴露原始患者数据的情况下安全交换。该框架使用包含六个严重程度类别的MEEI和YFP面瘫数据集进行评估。在不同训练和测试配置下的实验评估表明，所提出的FLSDPP-HDLPO框架实现了最高97.56%的分类准确率，精确率为92.48%，敏感度为92.53%，特异度为98.54%，F1分数为92.50%。重复实验进一步得出的准确率为97.56% ± 0.42%，证明了性能的一致性。因此，所提出的框架提供了一种准确且保护隐私的分布式面瘫严重程度评估方法。未来的工作将集中在更大规模的多中心数据集、更强的鲁棒性评估、计算优化以及真实临床验证上。