アルツハイマー病のステージ分類におけるフェデレーション学習における神経ネットワークの性能評価

アルツハイマー病は進行性の神経変性疾患であり、早期発見が治療結果の改善に重要です。本研究では、ResNet 50およびDenseNet 169アーキテクチャをフェデレーション学習（FL）技術と統合して、アルツハイマー病のステージをAD（アルツハイマー病）、MCI（軽度認知障害）、CN（認知的に正常）という3つの主要なグループに分類する性能を調査します。異なるクライアント構成（3-7）で3つの集約戦略（FedAvg、FedAvgM、FedProx）を評価し、計算効率とプライバシー保護を最適化するためにハイブリッドFL-スプリットラーニング（SL）アプローチを導入します。ResNet-FedProxの組み合わせが7クライアントのフェデレーションシナリオで優れたパフォーマンス（91.2%の精度）を達成しました。一方、FedAvgMは予期しない制限を示し、顧客数が増加するにつれて精度が6.7ポイント低下しました。今後の研究では、ResNetとDenseNetアーキテクチャを組み合わせたハイブリッド神経ネットワークを探求し、他の文献にある集約モデルに適応させて性能を最適化することが求められます。(1% 97)（1%95）