《npj Digital Medicine》：Combining federated learning and travelling model boosts performance and opens opportunities for digital health equity
编辑推荐：
本研究致力于解决多中心医疗数据协作中隐私保护与模型性能提升的难题。研究人员提出了结合联邦学习（FL）与迁移模型（TM）的FedTM混合框架，用于帕金森病的分类研究。该框架先利用大数据中心进行FL预热训练，再通过TM在所有站点间进行序列化精调。结果显示，FedTM将AUROC提升至82?±?0.01%，将误分类差异降低至26?±?0.01%，并减少了小站点的训练负担。这项成果是迈向全球医疗健康公平与负责任人工智能发展的重要一步。
在当今数字化医疗时代，海量的医疗数据蕴藏着破解疾病奥秘的巨大潜力。然而，一个核心矛盾横亘在研究者面前：如何在保护患者隐私、不共享敏感数据的前提下，有效利用分散在全球各家医疗机构的数据，来训练出更强大、更公平的人工智能（AI）模型？传统的集中式训练需要汇聚数据，面临严重的隐私与合规风险；而完全独立的研究又受限于单个机构的数据规模，难以获得泛化性强的模型。特别是在神经退行性疾病如帕金森病的诊断中，患者的脑部影像数据至关重要，但这些数据因隐私法规（如GDPR、HIPAA等）被严格锁在各家医院的“数据孤岛”内，阻碍了高性能AI辅助诊断工具的全球协同开发。
针对这一瓶颈，两种隐私保护型分布式机器学习范式应运而生：联邦学习（Federated Learning, FL）和迁移模型（Travelling Model, TM）。FL允许多个参与站点在本地数据上训练模型，仅交换模型参数更新，而非原始数据。TM则让一个模型“旅行”到各个站点，在本地数据上顺序进行训练和更新。两者虽目标一致，但各有局限。FL在数据分布差异（即不同站点患者群体特征不同）较大时，模型性能会受损，且对计算资源有限的“小站点”负担较重。TM虽能一定程度上适应站点差异，但模型“旅行”的路径和初始化方式严重影响最终效果。那么，能否取长补短，设计一种更优的协作框架呢？
为此，研究团队在《npj Digital Medicine》上发表论文，提出了名为“FedTM”的创新性混合框架。这项研究旨在回答：结合FL与TM能否在严格保护隐私的前提下，显著提升多中心疾病分类模型的性能，同时降低对资源较少站点的负担，并促进健康公平？他们的目标是通过一个精心设计的、分阶段的训练流程，来验证这一设想的有效性。
为了开展研究，作者主要应用了以下几项关键技术方法：首先，构建了基于联邦学习（FL）和迁移模型（TM）的混合算法框架FedTM。其次，研究利用了来自全球83个国际站点的1817例脑部扫描影像作为样本队列，用于帕金森病的分类任务。核心的评估手段包括比较模型性能指标（如AUROC）、分析误分类差异以衡量模型公平性，以及计算通信与训练周期数以评估效率。
研究结果
FedTM improves model performance compared to FL and TM
FedTM相较于FL和TM提升了模型性能
通过系统性的评估，研究发现FedTM框架在核心性能指标上超越了标准的FL和TM方法。具体而言，FedTM将模型区分帕金森病与对照组的受试者工作特征曲线下面积（AUROC）从77?±?0.01%（基线FL）提升到了82?±?0.01%。这表明混合策略有效融合了两种范式的优势，产生了判别能力更强的模型。
FedTM reduces misclassification disparities across sites
FedTM降低了跨站点的误分类差异
公平性是医疗AI的关键关切。研究通过量化误分类差异来评估模型在不同站点表现的一致性。结果显示，FedTM将误分类差异从34?±?0.01%（基线FL）显著降低至26?±?0.01%。这意味着FedTM训练出的模型在不同数据分布的中心之间表现得更加稳定和公平，减少了对某些特定人群可能存在的诊断偏差。
FedTM decreases the training load for smaller sites
FedTM降低了对小站点的训练负担
资源可及性是实现全球健康公平的实践挑战。FedTM框架的设计考虑到了这一点。在标准的FL设置中，所有站点（无论数据量大小）都需要参与多轮训练。而FedTM通过让TM阶段“接力”已完成FL预热的大站点模型，使得数据量较小的站点无需经历完整的、耗时的FL训练周期。分析表明，这成功地将小站点需要参与的本地训练周期数从22个减少到了12个，大幅降低了其计算和通信开销，使得资源有限的机构也能更平等地参与到协作中。
研究结论与讨论
本研究成功证明，所提出的FedTM混合框架能够有效解决隐私保护下的多中心AI模型训练难题。它通过“联邦学习预热”加“迁移模型序列精调”的两阶段策略，巧妙地结合了FL在初期快速汇聚全局信息与TM在后继阶段精细适应本地数据分布的优势。最终，FedTM不仅在帕金森病脑影像分类任务上取得了更高的诊断准确率（AUROC提升），更重要的是，它显著缩小了模型在不同站点间的表现差异，向着更公平的医疗AI迈出了坚实一步。同时，FedTM通过减轻小站点的训练负担，在技术上促进了参与门槛的降低，为更广泛的全球协作铺平了道路。
这项工作的意义超越了方法学本身。它为解决医疗数据“可用不可见”的全球性挑战提供了一个切实可行的优秀范例。FedTM框架的提升不仅体现在性能数字上，更体现在其对“健康公平”和“负责任AI”原则的践行上——致力于让源自高质量数据集的AI益处能够更均衡地惠及所有人，无论其所在机构的规模或资源如何。该研究为未来在更多病种、更多模态数据上开展安全、高效、公平的跨国界医学研究提供了重要的技术蓝图和启示。
