基于联邦学习的脑肿瘤 MRI 图像检测：隐私保护与高性能兼顾的探索

《Journal of Imaging Informatics in Medicine》：Federated Learning Framework for Brain Tumor Detection Using MRI Images in Non-IID Data Distributions

为解决传统机器学习处理医学图像数据的隐私和数据获取难题，研究人员开展基于联邦学习（FL）的脑肿瘤检测研究，结果显示 VGG19 模型在非 IID 数据下检测准确率高，为医疗隐私保护 AI 提供方向。

　　从医学图像，尤其是磁共振成像（MRI）扫描中检测脑肿瘤，在早期诊断和治疗规划中至关重要。传统机器学习方法常依赖集中式数据，引发对数据隐私、安全以及获取大量标注数据集困难的担忧。联邦学习（FL）作为一种有前景的解决方案，可在分散设备上训练模型并保护数据隐私。然而，处理非独立同分布（non-IID）数据仍面临挑战，这在现实场景中很常见。本研究使用基于客户端 - 服务器的联邦学习框架，利用 VGG19 作为骨干模型，对 MRI 图像进行脑肿瘤检测。为提高临床相关性和模型可解释性，研究纳入了解释性技术，特别是梯度加权类激活映射（Grad-CAM）。研究人员在四个具有非 IID 数据分布的客户端上训练模型，以模拟现实情况。在性能评估方面，使用一个集中式测试数据集，该数据集由原始数据的 20% 组成，在完成联邦学习轮次后，用于统一评估模型性能。使用单独的测试数据集可确保所有模型在相同数据上进行评估，使比较更公平。由于测试数据集不属于 FL 训练过程的一部分，因此不会违反 FL 的隐私保护特性。实验结果表明，VGG19 模型在测试中达到了较高的准确率，联邦平均算法（FedAVG）下为 97.18%，联邦近端算法（FedProx）下为 98.24%，脚手架算法（Scaffold）下为 98.45%，优于其他前沿模型，展示了联邦学习处理分布式和非 IID 数据的有效性。研究结果突出了联邦学习在医学图像分析中解决隐私问题的潜力，即使在非 IID 环境下也能保持高性能。该方法为医疗应用中隐私保护人工智能的未来研究提供了一个有前景的方向。