《Artificial Intelligence in Medicine》：TADynFed: Dynamic modality-adaptive federated learning with tissue-aware disentanglement for cross-disease analysis
编辑推荐：
本文提出了一种革命性的动态模态自适应联邦学习（Dynamic Modality-Adaptive FL）框架 TADynFed，旨在解决医疗影像协作分析中的核心挑战：模态异构性（Heterogeneous Modality）与跨疾病泛化（Cross-Disease Generalization）。该框架通过组织感知解耦（Tissue-Aware Disentanglement）策略分离模态特有与共享特征，利用动态原型记忆库（Dynamic Prototype Memory Bank）补偿缺失模态，并采用自适应的客户端聚合（Adaptive Aggregation）机制。在包含脑肿瘤（BraTS21）、胸部X光（CheXpert）等在内的多疾病数据集上，TADynFed在分割精度（mDice 66.03%）、边界对齐（ASD 1.85 mm）、校准稳定性（ECE 0.09）和通信效率（76 MB/轮）方面均显著优于FedAvg、PointTransformerFL等基线方法，为真实、异构、多模态的联邦医疗成像系统树立了新标杆。
亮点与相关工作
动态模态自适应联邦学习与组织感知解耦技术，通过加强跨疾病医学影像分割，解决了数据异构性和隐私保护等核心挑战[17, 18]。该方案利用联邦学习（FL）实现了跨多个医疗站点的协同模型训练，而无需共享敏感的患者数据[19, 20]。模态自适应确保模型能够有效处理成像技术和协议的差异[21, 22]，而组织感知...
方法论
我们在此介绍所提框架的方法学基础，其结构分为两个关键部分。我们定义了在异构条件下进行联邦医学图像分割所面临的挑战，即各客户端表现出不同的模态可用性、数据分布和动态参与性。该公式化引入了核心概念，包括组织特异性模态相关性 r(m, l) ∈ [0, 1]、客户端参与指示符 χk(t) ∈ {0, 1}，以及基于数据质量和参与时长的自适应聚合。
数据集
我们在三个公开可用的、代表一系列临床病理学和成像特征的多疾病医学影像数据集上评估所提出的框架：
- •
BraTS21 [10, 57]：一个大规模脑肿瘤分割数据集，包含2040个病例，具有四种MRI模态——T1、T1c、T2和FLAIR。每个病例都包含肿瘤子区域（如增强肿瘤（ET）、瘤周水肿（ED）和坏死核心（NCR））的像素级标注。
- •
CheXpert [58]：一个多标签...
结果与讨论
我们将我们的方法与五种先进的联邦学习框架进行了比较，这些框架代表了去中心化医学成像中的多样化策略：
- •
FedAvg [7]：联邦平均的标准基线，假设数据和模态可用性是均匀的。
- •
FedProx：它引入了近端项来处理联邦学习中的数据异构性。
- •
IOP-FL：它采用内外个性化方法，使全局模型适应本地客户端的特性。
- •
FedAAAI：它结合了标注质量感知聚合，以减轻嘈杂...
消融研究
我们在此呈现消融研究，评估所提出框架（TADynFed）中每个核心组件的贡献。我们模拟了从完整模型中系统移除关键模块导致的性能下降，例如：
- •
无定制化更新：禁用模态特异性特征的自适应融合。
- •
无模态记忆：移除用于补偿缺失模态的基于原型的机制。
- •
无三元组损失：消除模态定制化特征和...
讨论
本研究呈现的结果表明，TADynFed——一个具有组织感知解耦能力的动态模态自适应联邦学习框架——有效应对了去中心化医学图像分割中的关键挑战。通过整合结构化表示学习、自适应客户端聚合和基于原型的补偿，TADynFed在多个指标上均取得了卓越性能，包括mDice、ASD、HD95、ECE和通信效率。
其核心...
局限性与未来工作
尽管TADynFed在处理跨疾病医学图像分析的异构联邦学习方面取得了有希望的结果，但仍存在一些局限性。首先，该框架假设客户端分布随时间相对稳定，而真实的临床环境可能涉及高度动态或不断演变的数据分布，这会影响原型记忆的一致性。其次，虽然通过原型检索进行模态补偿改善了在缺失模态下的性能，但它依赖于...
结论
我们提出了TADynFed，这是一种用于动态模态自适应联邦学习的新型框架，具备组织感知解耦能力。它有效解决了去中心化医学成像环境中的模态异构性、非独立同分布（Non-IID）数据分布和跨疾病泛化等挑战。通过结构化特征分解、基于原型的补偿和自适应客户端聚合，TADynFed即使在模态缺失和动态客户端条件下也能实现稳定收敛和高分割精度...
