피부 병변 분류를 위한 효율적인 주석 전략의 연합 актив 학습 프레임워크

연합 학습(FL)은 여러 기관이 개인 데이터를 공유하지 않고 협력하여 모델을 훈련할 수 있도록 합니다. 현재 FL 연구는 통신 효율성, 개인 정보 보호 및 개인화에 중점을 두며, FL 데이터가 이미 이상적으로 수집되었다고 가정합니다. 그러나 의료 시나리오에서는 데이터 주석에 전문성과 집중적인 노동이 필요하며, 이는 FL에서 중요한 문제입니다. 능동 학습(AL)은 의료 영상 분석에서 데이터 주석 수를 줄이는 데 유망한 성능을 보여주었습니다. 우리는 AL이 FL 하에 주기적으로 및 상호 작용적으로 실행되는 연합 AL(FedAL) 프레임워크를 제안합니다. 우리는 각 병원에서 로컬 모델과 FL에서 획득한 글로벌 모델을 활용하여 앙상블을 구성합니다. 우리는 FL에서 효율적인 데이터 주석 전략으로 앙상블 엔트로피 기반 AL을 사용합니다. 따라서 우리의 FedAL 프레임워크는 주석 데이터의 양을 줄이고 환자의 개인 정보를 보호하면서 FL의 성능을 유지할 수 있습니다. 우리가 아는 한, 이는 의료 이미지에 적용된 최초의 FedAL 프레임워크입니다. 우리는 실제 피부경 데이터 세트에서 우리의 프레임워크를 검증했습니다. 샘플의 50%만 사용하여, 우리의 프레임워크는 피부 병변 분류 작업에서 최첨단 성능을 달성할 수 있었습니다. 우리의 프레임워크는 FL 하에서 여러 최첨단 AL 방법보다 더 나은 성능을 보였고, 전체 데이터 FL과 비교할 수 있는 성능을 달성했습니다.