Asynchronous federated learning for web-based OCT image analysis

Hasan Md Tusfiqur Alam

doi:10.1117/1.JMI.13.1.014501

Asynchronous federated learning for web-based OCT image analysis

2026-01-01

0

PRE

AI

H

Hasan Md Tusfiqur Alam *

T

Tim Maurer

A

Abdulrahman Mohamed Selim

DOI：10.1117/1.JMI.13.1.014501

原文链接

原文求助

摘要

En 中文

目的：集中式机器学习往往难以获取有限数据和专家参与。我们探讨了在保护数据隐私的同时，实现医学影像任务协作模型训练的去中心化方法。方法：我们探索了使用FL with buffered asynchronous aggregation（FedBuff）算法进行异步联邦学习（FL），以对光学相干断层扫描（OCT）视网膜图像进行分类。与需要所有客户端同时参与的同步算法（如FedAvg）不同，FedBuff支持客户端独立更新。我们将其性能与集中式模型和FedAvg进行比较。此外，我们开发了一个基于浏览器的概念验证系统，使用现代网络技术来评估交互式、协作学习在实际环境中的可行性和局限性。结果：FedBuff在二分类OCT任务中表现良好，但在更复杂的多元分类场景中准确率有所下降。FedAvg的结果与集中式训练相当，与先前研究结果一致。尽管FedBuff相比FedAvg和集中式模型表现较差，但在较简单的场景中仍能提供可接受的准确率。基于浏览器的原型展示了可访问、用户驱动的FL系统的潜力，但也突显了当前网络标准在本地计算和通信效率方面的技术限制。结论：通过FedBuff的异步FL为医学图像分类提供了一种有前景的、保护隐私的方法，尤其是在同步参与不切实际的情况下。然而，其扩展到复杂分类任务的能力仍然有限。基于Web的实现有潜力扩大对协作AI工具的访问，但当前技术的局限性需要进一步研究。

Keyword:

asynchronous federated learning

medical image analysis

decentralized deep learning

optical coherence tomography

browser-based training

interactive machine learning

Asynchronous federated learning for web-based OCT image analysis

摘要

期刊

机构

引用论文