《npj Digital Medicine》：Combining federated learning and travelling model boosts performance and opens opportunities for digital health equity
編輯推薦：
本研究致力于解決多中心醫療數據協作中隱私保護與模型性能提升的難題。研究人員提出了結合聯邦學習（FL）與遷移模型（TM）的FedTM混合框架，用于帕金森病的分類研究。該框架先利用大數據中心進行FL預熱訓練，再通過TM在所有站點間進行序列化精調。結果顯示，FedTM將AUROC提升至82?±?0.01%，將誤分類差異降低至26?±?0.01%，并減少了小站點的訓練負擔。這項成果是邁向全球醫療健康公平與負責任人工智能發展的重要一步。
在當今數字化醫療時代，海量的醫療數據蘊藏著破解疾病奧秘的巨大潛力。然而，一個核心矛盾橫亙在研究者面前：如何在保護患者隱私、不共享敏感數據的前提下，有效利用分散在全球各家醫療機構的數據，來訓練出更強大、更公平的人工智能（AI）模型？傳統的集中式訓練需要匯聚數據，面臨嚴重的隱私與合規風險；而完全獨立的研究又受限于單個機構的數據規模，難以獲得泛化性強的模型。特別是在神經退行性疾病如帕金森病的診斷中，患者的腦部影像數據至關重要，但這些數據因隱私法規（如GDPR、HIPAA等）被嚴格鎖在各家醫院的“數據孤島”內，阻礙了高性能AI輔助診斷工具的全球協同開發。
針對這一瓶頸，兩種隱私保護型分布式機器學習范式應運而生：聯邦學習（Federated Learning, FL）和遷移模型（Travelling Model, TM）。FL允許多個參與站點在本地數據上訓練模型，僅交換模型參數更新，而非原始數據。TM則讓一個模型“旅行”到各個站點，在本地數據上順序進行訓練和更新。兩者雖目標一致，但各有局限。FL在數據分布差異（即不同站點患者群體特征不同）較大時，模型性能會受損，且對計算資源有限的“小站點”負擔較重。TM雖能一定程度上適應站點差異，但模型“旅行”的路徑和初始化方式嚴重影響最終效果。那么，能否取長補短，設計一種更優的協作框架呢？
為此，研究團隊在《npj Digital Medicine》上發表論文，提出了名為“FedTM”的創新性混合框架。這項研究旨在回答：結合FL與TM能否在嚴格保護隱私的前提下，顯著提升多中心疾病分類模型的性能，同時降低對資源較少站點的負擔，并促進健康公平？他們的目標是通過一個精心設計的、分階段的訓練流程，來驗證這一設想的有效性。
為了開展研究，作者主要應用了以下幾項關鍵技術方法：首先，構建了基于聯邦學習（FL）和遷移模型（TM）的混合算法框架FedTM。其次，研究利用了來自全球83個國際站點的1817例腦部掃描影像作為樣本隊列，用于帕金森病的分類任務。核心的評估手段包括比較模型性能指標（如AUROC）、分析誤分類差異以衡量模型公平性，以及計算通信與訓練周期數以評估效率。
研究結果
FedTM improves model performance compared to FL and TM
FedTM相較于FL和TM提升了模型性能
通過系統性的評估，研究發現FedTM框架在核心性能指標上超越了標準的FL和TM方法。具體而言，FedTM將模型區分帕金森病與對照組的受試者工作特征曲線下面積（AUROC）從77?±?0.01%（基線FL）提升到了82?±?0.01%。這表明混合策略有效融合了兩種范式的優勢，產生了判別能力更強的模型。
FedTM reduces misclassification disparities across sites
FedTM降低了跨站點的誤分類差異
公平性是醫療AI的關鍵關切。研究通過量化誤分類差異來評估模型在不同站點表現的一致性。結果顯示，FedTM將誤分類差異從34?±?0.01%（基線FL）顯著降低至26?±?0.01%。這意味著FedTM訓練出的模型在不同數據分布的中心之間表現得更加穩定和公平，減少了對某些特定人群可能存在的診斷偏差。
FedTM decreases the training load for smaller sites
FedTM降低了對小站點的訓練負擔
資源可及性是實現全球健康公平的實踐挑戰。FedTM框架的設計考慮到了這一點。在標準的FL設置中，所有站點（無論數據量大小）都需要參與多輪訓練。而FedTM通過讓TM階段“接力”已完成FL預熱的大站點模型，使得數據量較小的站點無需經歷完整的、耗時的FL訓練周期。分析表明，這成功地將小站點需要參與的本地訓練周期數從22個減少到了12個，大幅降低了其計算和通信開銷，使得資源有限的機構也能更平等地參與到協作中。
研究結論與討論
本研究成功證明，所提出的FedTM混合框架能夠有效解決隱私保護下的多中心AI模型訓練難題。它通過“聯邦學習預熱”加“遷移模型序列精調”的兩階段策略，巧妙地結合了FL在初期快速匯聚全局信息與TM在后繼階段精細適應本地數據分布的優勢。最終，FedTM不僅在帕金森病腦影像分類任務上取得了更高的診斷準確率（AUROC提升），更重要的是，它顯著縮小了模型在不同站點間的表現差異，向著更公平的醫療AI邁出了堅實一步。同時，FedTM通過減輕小站點的訓練負擔，在技術上促進了參與門檻的降低，為更廣泛的全球協作鋪平了道路。
這項工作的意義超越了方法學本身。它為解決醫療數據“可用不可見”的全球性挑戰提供了一個切實可行的優秀范例。FedTM框架的提升不僅體現在性能數字上，更體現在其對“健康公平”和“負責任AI”原則的踐行上——致力于讓源自高質量數據集的AI益處能夠更均衡地惠及所有人，無論其所在機構的規模或資源如何。該研究為未來在更多病種、更多模態數據上開展安全、高效、公平的跨國界醫學研究提供了重要的技術藍圖和啟示。
