近年来，医疗图像分类在医疗保健中扮演着重要角色，特别是在疾病诊断和治疗规划方面。智能系统的进步在于患者隐私的外部或集中环境，这日益成为关键。传统的机器学习（ML）方法依赖于数据收集，而这些数据代表了敏感的医疗信息，从而降低了性能。为了解决这个问题，联邦学习（FL）是一种合适的方法，它允许多个机构通过利用现有数据并引入知识约束来协同训练模型，而无需共享机密记录。FL不仅保护隐私，还支持跨多个数据源的稳健和安全模型开发。所提议的FL包括SE-ResNeXt-50，该模型结合了多分支ResNeXt-50设计与压缩和激励（SE）注意机制，允许更具辨别性的特征提取和自适应通道加权。SE-ResNeXt-50提高了模型处理来自不同机构的异构和非独立（非同分布）医疗成像数据的能力。采用SE-ResNeXt-50的FL模型在两个不同的医疗成像数据集上进行了评估：基于MRI图像的BR35H（脑肿瘤检测2020）和基于COVID-19的SARS-CoV-2 CT肺部扫描图像。采用SE-ResNeXt-50的FL模型在MRI图像分类上达到了98.8%的准确率，而在CT扫描上达到了99.3%的准确率，优于现有的卷积神经网络（CNN）与灰度共生矩阵（GLCM）模型。
Chandraprakash等（周）研究了这个问题。