基于联邦知识蒸馏的多站点脑疾病诊断方法

摘要：

多中心疾病诊断方法通过整合不同医疗机构的样本信息到一台服务器上,集中训练来提高预测的准确性,有效解决了医疗领域小样本的问题.但仍存在两个问题:不同医疗机构的数据分布不同以及无法保护病人的隐私.基于此,设计了一种应用在多站点脑疾病诊断领域中隐私保护的联邦知识蒸馏算法.首先,设计了服务器端基于批标准化的加权平均算法,帮助联邦模型提取各个医疗机构数据分布无关的特征.之后,在客户端设计了联邦教师模型-本地学生模型的框架,部署了本地分类器,利用蒸馏损失保证模型提取本地化特征,利用分类损失保证模型性能稳定.实验结果表明,该算法在自闭症及精神分裂症数据集上均优于现有的其他算法.

关键词：联邦学习、知识蒸馏、脑疾病诊断

所属期刊栏目：23

分类号：TP391(计算技术、计算机技术)

在线出版日期：2023-04-03（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：18-24