一个处理大规模神经影像诊断中亚型混淆和异质性的联邦学习框架.pdfVIP

一个处理大规模神经影像诊断中亚型混淆和异质性的联邦学习框架

112111,

XinglinZhao,YanwenWang,XiaoboLiu,YanrongHao,RuiCao,XinWen

1TaiyuanUniversityofTechnology

2MontrealNeurologicalInstituteMcgillUniversity

XinglinZhao:2024511307@

XinWen:xwen@

Abstract中汇总数据通常会导致异质性增加——例如，单个诊断

计算机辅助诊断（CAD）系统在分析神经系统和精神疾标签可能涵盖一种疾病的多种亚型(SmithandNichols

病患者的神经影像数据中扮演着关键角色。然而，小样2018)。这种混淆的变异性可能会误导传统的CAD模

本研究存在可重复性低的问题，而大规模的数据集则由型，导致泛化能力降低和诊断性能受损。

于多种疾病亚型被归为单一类别而导致混淆异质性。为为了解决这些挑战，联邦学习（FL）作为一种有前

本了解决这些挑战，我们提出了一种专为神经影像CAD景的分布式神经影像分析范式(Zengetal.2024;Rieke

系统设计的新型联邦学习框架。我们的方法包括一个动etal.2020;Guanetal.2024)出现了。在这种设置下，

译态导航模块，根据潜在的亚型表示将样本路由到最合适每个参与站点都在其数据子集上训练一个本地模型，这

中的本地模型，并且有一个元整合模块，可以将来自异构可能代表特定的疾病亚型，而中央服务器则协调学习过

本地模型的预测结果组合成统一的诊断输出。我们在一

1程以确保全局一致性。这种方法在不集中敏感患者数据

v个综合数据集上评估了我们的框架，该数据集包含超过的情况下实现了协作学习，从而保护隐私并符合监管要

91300名MDD患者和1100名健康对照组在多个研究队

8列中的fMRI数据。实验结果显示与传统方法相比在诊求。然而，将FL应用于神经影像CAD系统带来了两个

5断准确性和稳健性方面有显著提高。具体来说，我们框关键挑战。首先，在共享多个亚型的全局标签空间时，

6

0架在所有测试站点的平均准确率为74.06%，展示了其处确定给定样本的适当本地模型仍然是一个开放问题，被

.理亚型异质性和增强模型泛化能力的有效性。消融研究称为导航问题。其次，将异构的本地模型整合到统一且

8

0进一步证实了动态导航和元整合模块对性能改进的重要稳健的诊断系统中而不影响性能并非易事。

5性。通过解决数据异质性和亚型混淆问题，我们的框架在这项工作中，我们提出了一种专为神经影像CAD

2推进了可靠的、可重复性的神经影像CAD系统的发展，

:系统设计的新型联邦学习框架，该框架能有效解决在面

v为神经学和精神病学中的个性化医疗和临床决策提供了

i对亚型异质性时的导航和整合挑战。我们的方法引入了

x巨大的潜力。

r动态路由机制，在训练过程中将样本分配给最合适的本