摘要

本文介绍了一种名为MH-pFLGB的新型个性化联邦学习方法，专门用于处理医疗图像分析中的模型异质性问题。该方法通过引入全局旁路策略，有效减少了对外部公共数据集的依赖，并能够处理非独立同分布（non-IID）数据。MH-pFLGB通过集成一个全局旁路模型和特征融合模块，增强了传统联邦学习的效果，使其在多个医疗任务中展现出优越的性能。

原理

MH-pFLGB的核心在于其全局旁路模型和特征融合模块的设计。全局旁路模型在每个客户端中共享相同的网络架构，不仅从本地数据中学习信息，还通过服务器端的模型参数聚合，实现客户端间的信息共享。特征融合模块则通过加权融合本地模型和全局旁路模型的特征，使得模型能够更好地利用全局知识，同时保持对本地特征的敏感性。这种设计不仅减少了计算成本，还提高了模型在处理异质性数据时的适应性和效率。

流程

MH-pFLGB的工作流程包括三个主要步骤：本地模型训练、全局旁路模型训练和全局聚合。在本地模型训练阶段，本地模型仅从本地数据和全局旁路模型中学习，而全局旁路模型保持固定。在全局旁路模型训练阶段，本地模型被冻结，全局旁路模型进行微调以学习来自每个客户端的信息。最后，在全局聚合阶段，服务器端对全局旁路模型的参数进行平均聚合，并将更新后的模型分发回各个客户端。这一流程通过迭代进行，不断优化模型性能。

应用

MH-pFLGB在医疗图像分析领域具有广泛的应用前景，特别是在需要保护患者隐私且数据分布不均的场景中。该方法不仅适用于图像分类和分割任务，还可能扩展到其他医疗诊断和治疗相关的AI应用中，如病理学分析、放射学图像处理等。其高效的信息共享和特征融合机制，使得MH-pFLGB能够为医疗AI的发展提供强有力的支持。