QFedPolyp：用于息肉分割的高效通信和推理的联合学习框架

arXiv:2607.22743v1 公告类型：新 摘要：背景和目的：自动息肉分割支持计算机辅助诊断和早期结直肠癌检测。集中式深度学习要求医院共享敏感的医疗数据，而联邦学习可以保护隐私，但通过全精度模型参数的重复传输引入了高昂的通信成本。我们提出了 QFedPolyp，一种用于协作息肉分割的通信和推理高效的联合学习框架。方法：QFedPolyp 将量化感知训练与低精度模型通信相结合。每家医院都在本地使用私有数据训练轻量级 U-Net，同时在训练过程中模拟量化。客户端将量化的模型参数传输到中央服务器，在中央服务器中使用联合平均对这些参数进行重建和聚合。在 Kvasir-SEG、CVC-ClinicVideoDB、PolypGen 和 BKAI-IGH NeoPolyp 上进行评估。结果：全精度联合训练在 Kvasir-SEG 上获得了 0.910 的 Dice 分数，在 CVC-ClinicVideoDB 上获得了 0.930 的 Dice 分数。统一的 8 位通信可将传输成本降低约 4 倍，同时保持有竞争力的分段精度。量化模型的推理速度也比全精度模型快 1.5 倍。结论：QFedPolyp 可实现保护隐私的协作息肉分割，同时减少通信开销并加快推理速度。由此产生的轻量级模型适合实时临床部署。