
-
生物通官微
陪你抓住生命科技
跳动的脉搏
PCOS-FedSev:首个基于联邦学习的多囊卵巢综合征识别与严重程度分级框架
《Scientific Reports》:PCOS-FedSev: Federated severity-aware PCOS diagnosis with site-invariant disentanglement and conformal guarantees
【字体: 大 中 小 】 时间:2026年10月08日 来源:Scientific Reports 4.9
编辑推荐:
摘要多囊卵巢综合征(PCOS)是一种影响生殖年龄女性8%至13%的疾病。然而,尽管该病普遍存在,PCOS仍然存在严重欠诊的情况。目前可用的基于人工智能的PCOS诊断方法因其集中式架构而受到限制,难以在多个站点部署,且无法提供关于PCOS诊断严重程度的相关信息。PCOS-Fed
多囊卵巢综合征(PCOS)是一种影响生殖年龄女性8%至13%的疾病。然而,尽管该病普遍存在,PCOS仍然存在严重欠诊的情况。目前可用的基于人工智能的PCOS诊断方法因其集中式架构而受到限制,难以在多个站点部署,且无法提供关于PCOS诊断严重程度的相关信息。PCOS-FedSev方法由五个交织模块组成,包括:(1)基于梯度反转层的站点不变特征解纠缠(SiFD),用于消除多个医院之间由医学成像设备引起的域偏移;(2)面向神经网络的条件有序回归(CORN),一种能够实现二分类PCOS识别与四级单调严重程度分类联合的技术;(3)联邦原型重放(FPR),在纳入新医院时无需客户端间数据交换即可避免灾难性遗忘;(4)自适应质量感知站点加权(AQSW),实现对不同图像质量客户端贡献的鲁棒聚合;(5)联邦共形预测(FCP),允许提供约95%的边缘覆盖率保证。在六家模拟的异构医院客户端上进行的实验(Dirichlet α = 0.4,对应各医院间PCOS患病率在0至85%之间的现实变化)显示,PCOS-FedSev的AUC-ROC为1.0000,F1分数为0.9975,严重程度平均绝对误差(MAE)为0.7365,预期校准误差(ECE)为0.0025,通信成本降低了85%。本研究构成了首个用于PCOS识别的联邦学习框架。