通过基础模型和结构修剪进行肺腺癌分级的异步联合学习平台

arXiv:2611.14590v1 公告类型：新 摘要：肺腺癌分为低分化（PD）和高分化（WMD）亚型对患者生存起着重要作用；然而，由于病理学家之间观察者之间的差异，一致的分类是困难的。由于患者隐私问题，从多家医院收集数据也具有挑战性。这项研究提出了一种基于网络的联邦学习系统，该系统仅共享本地训练的模型权重，而不在机构之间共享患者数据。采用UNI2基础模型和CLAM-SB对病理全切片图像进行分类。构建了一个四客户端联邦学习系统，并且 NLST 队列专门保留用于外部验证。在集中评估中，与CPTAC和TCGA的联合培训在外部验证方面优于单机构培训，证实了多机构数据整合的必要性。 FedAvg、FedProx、FedBN 和 FedNova 作为联邦学习算法在相同的实验条件下进行了比较。测试 AUC 排名为 FedBN、FedProx、FedNova 和 FedAvg。 FedNova 显示了 PD 和 WMD 之间最平衡的分类性能。应用稀疏度为 20%、30% 和 40% 的 L1 范数结构修剪来减小模型传输大小。 FedAvg、FedProx 和 FedBN 在剪枝下表现出测试 AUC 降低的趋势，而 FedNova 在所有稀疏度水平上都实现了测试 AUC 的提高。开发了一个基于网络的应用程序，支持幻灯片上传、本地训练、人工智能分类和基于注意力热图的可视化。 FedNova 和 40% 剪枝的结合被证实是一种实用方法，可以提高通信效率和分类性能，同时保护患者隐私。