磁共振成像中的联邦学习：一项关键评审

摘要 联邦学习是一种有前景的方法，旨在在地理分散的区域中开发协作和隐私保护的医学人工智能模型。虽然联邦学习通过利用不同机构分布的多样数据源，促进了强大且具有普遍适应性的成像模型的开发，但它尚未完全标准化，仍然存在许多未解决的开放问题。这些问题包括互操作性、安全漏洞、模型聚合的最佳策略和隐私保护。在这项关键评审中，对MRI图像分析中的联邦学习方法进行了全面调查。特别是调查了所使用的模型、数据集、协调技术、聚合方法、安全和隐私措施、“真实世界”实现和性能测量等参数。该评审从关键视角揭示了基于MRI数据开发深度联邦学习应用所需的基础设施，如病变检测、分类、图像重建和肿瘤分割。与之前的联邦学习评审不同，本研究的主要焦点是MRI，因为其断层数据结构、采集协议的变异性和扫描仪之间的异质性引入了与超声、X射线或计算机断层扫描等其他成像方式不同的挑战。同时，MRI在临床常规中的广泛应用，使其非常适合于利用多样化和异质数据源开发通用模型的联邦学习架构，同时保护患者的机密性。本评审通过提供领域特定的见解来填补文献中的重要空白，以推动可靠基于MRI的联邦学习系统的发展。