FedLSC:基于层相似性比较的联邦学习方法,用于跨机构皮肤癌图像分类

《Expert Systems with Applications》:FedLSC: Federated Learning with Layer Similarity Comparison for Cross-Institutional Skin Cancer Image Classification

【字体: 大 中 小 】 时间:2025年12月25日 来源:Expert Systems with Applications 7.5

编辑推荐:

  皮肤癌分类中提出FedLSC联邦学习框架,通过动态权重分配机制(基于层间余弦相似性)和个性化训练策略,解决数据异质性与Non-IID问题,在HAM10000、ISIC2019等数据集上验证其优于传统方法,同时保持隐私保护。

  
本文针对皮肤癌图像分类中存在的数据隐私泄露与异质性挑战,提出了一种创新的两阶段联邦学习框架FedLSC。该研究通过融合动态权重分配机制与个性化训练策略,有效平衡了医疗数据中的隐私保护需求与模型泛化能力的提升,为跨机构医疗协作提供了新范式。

在数据异质性方面,FedLSC采用动态权重分配机制突破传统联邦学习(FL)的局限。系统通过计算客户端模型参数的余弦相似性,建立动态权重调整模型。这种基于特征空间相似度的权重分配方法,能够智能识别不同医疗机构皮肤癌数据分布的差异特征,实现知识聚合的精准调控。实验表明,在非独立同分布(Non-IID)场景下,该机制使全局模型收敛速度提升40%,且在异质数据占比超过60%时仍能保持稳定性能。

个性化训练策略是FedLSC的另一核心创新。通过构建"基础层+个性化层"的混合网络架构,系统在保留全局知识共享优势的同时,允许各医疗机构针对本地数据特征进行专项优化。具体实施中,采用参数解耦技术将网络分为共享基础层与可定制的个性化层,其中个性化层的选择依据动态计算各客户端数据分布与全局模型的匹配度。这种分层训练机制既保证了跨机构协作的统一性,又实现了每个医疗单位在特定临床特征(如不同地区的皮肤癌亚型)上的精准建模。

研究通过在HAM10000(10,015例皮肤镜图像)和ISIC2019(17,732例多中心皮肤图像)等权威数据集上的验证,展现了显著优势。实验设置包含标准FL算法对比组(如FedAvg、FedProx等)和跨疾病迁移组(含猴痘、口腔疾病等6类医学影像数据)。结果显示,FedLSC在皮肤癌分类中的准确率(F1-score)达到92.7%,较传统方法提升5.2个百分点,且在数据标注不均衡(部分机构标注样本不足总量的5%)时仍能保持90%以上的泛化能力。

动态权重分配机制的具体实现包含三个关键模块:首先,建立客户端特征向量空间,通过多层特征提取捕捉不同数据分布的细微差异;其次,设计相似性度量算法,采用改进的余弦相似度计算框架,引入时间衰减因子以反映模型更新的动态特性;最后,开发自适应权重分配器,该模块根据实时更新的相似性矩阵动态调整各客户端的模型贡献度。这种机制在ISIC2019数据集上验证,使全局模型的跨机构泛化误差降低至2.1%,较传统静态权重方法提升38%。

个性化训练策略的创新体现在两个方面:一是构建了动态层选择机制,通过分析各客户端数据在特征空间中的分布密度,自动识别需要个性化适配的神经网络层;二是开发了双路径优化器,共享层采用全局同步的SGD优化器,而个性化层则采用基于注意力机制的局部优化器。这种设计在 monkeypox 数据集测试中,使本地模型在特定皮损类型(如泡疹样损害)的识别准确率提升至89.4%,较传统方法提高12.7%。

研究特别设计了多维度评估体系,包含四类核心指标:全局模型泛化能力(跨机构准确率)、个性化适配度(本地数据特征匹配度)、隐私保护强度(数据泄露风险系数)和计算效率(模型更新耗时)。在联邦学习经典基准测试中,FedLSC的跨机构准确率稳定在91.3%以上,而隐私泄露风险系数仅为0.03(采用改进的DP-VAE评估模型)。计算效率方面,通过动态负载均衡机制,使整体训练时间缩短28%,这在医疗领域多中心协作场景中尤为重要。

在医学应用场景验证部分,研究构建了包含5大皮肤癌亚型、8类良性病变和3种罕见皮肤病的综合测试框架。值得注意的是,在皮肤镜图像的极端非-IID分布(如70%客户端数据仅含单一亚型)情况下,FedLSC通过动态权重分配和个性化层训练,使全局模型的各类别识别准确率均保持在85%以上,显著优于传统联邦学习模型(平均准确率下降至72.3%)。

该框架的泛化能力在跨疾病迁移测试中表现突出。在皮肤癌与猴痘、口腔疾病等跨领域数据集上,FedLSC通过共享基础层的知识迁移,使新领域模型的训练准确率提升26%。特别是采用迁移预训练策略后,在标注数据稀缺的跨疾病场景中,模型仍能保持90%以上的核心类别识别准确率。

研究还深入探讨了系统鲁棒性。通过引入对抗性训练模块, FedLSC在存在恶意客户端干扰(篡改20%的模型参数)时,仍能保持89%以上的正确分类率。对比实验显示,在相同攻击强度下,传统FL框架(如FedAvg)的准确率骤降至63%,而基于动态权重的FedLSC展现出更强的抗干扰能力。

在工程实现层面,系统采用分布式计算架构,通过容器化部署实现各医疗机构的独立训练单元。数据预处理模块创新性地引入多尺度特征提取器,可同时处理从10×10像素到200×200像素的多分辨率皮肤图像。安全机制方面,结合同态加密与差分隐私技术,确保数据传输和模型更新的双重安全防护。

该研究的临床价值体现在三个方面:其一,构建的个性化皮肤镜诊断模型使基层医疗机构对早期黑色素瘤的识别准确率提升至专业三甲医院的92%;其二,动态权重分配机制有效解决了跨机构数据协作中的"贡献度不均"问题,使偏远地区医疗机构的模型更新频率提高3倍;其三,通过参数解耦技术,实现了在保护患者隐私的前提下,共享超过500GB的皮肤癌影像数据。

未来研究方向包括:1)开发多模态联邦学习框架,整合皮肤镜图像、病理切片和电子病历数据;2)构建动态隐私保护评估体系,量化不同医疗场景下的隐私泄露风险;3)探索联邦学习与生成式AI的结合,开发具有自进化能力的皮肤癌智能诊断系统。这些延伸研究将为构建更全面的联邦医疗知识共享网络奠定基础。

该研究在IEEE国际医学影像会议(MICCAI 2024)获得最佳方法创新奖,其技术框架已被三甲医院皮肤科和基层医疗机构采纳试点。实验数据显示,在真实临床场景中,FedLSC可使皮肤癌早期筛查的阳性预测值从0.78提升至0.89,对5mm以下微小病变的识别灵敏度提高至97.3%,为降低皮肤癌死亡率提供了关键技术支撑。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    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