Fair Evaluation of Federated Learning Algorithms for Automated Breast Density Classification: The Results of the 2022 ACR-NCI-NVIDIA Federated Learning Challenge

正确解读乳腺密度对于评估乳腺癌风险至关重要。AI已被证明能够准确预测乳腺密度，然而，由于不同乳腺X线成像系统的成像特征不同，使用来自一个系统的数据建立的模型不适用于其他系统。尽管联邦学习（FL）已成为提高AI泛化能力的一种方法，而不需要共享数据，但在FL期间保留所有训练数据特征的最佳方法是一个活跃的研究领域。为了探索FL方法，乳腺密度分类FL挑战赛与美国放射学院、哈佛医学院的马萨诸塞州总医院、科罗拉多大学、NVIDIA和美国国立卫生研究院国家癌症研究所合作举办。挑战参与者能够提交能够在三个模拟医疗设施上实现FL的Docker容器，每个设施都包含一个独特的大型乳腺X线数据集。乳腺密度FL挑战从2022年6月15日至9月5日进行，吸引了来自世界各地的七个入围者。获胜的FL提交在挑战测试数据上达到了线性kappa得分0.653，在外部测试数据集上达到了0.413，与在中央位置训练的相同数据的模型相当。

解决问题：本论文旨在探索联邦学习在解决乳腺密度分类问题上的应用，以提高模型的泛化性能。

关键思路：本论文通过举办乳腺密度分类联邦学习挑战赛，探索了在不共享数据的情况下，如何通过联邦学习提高模型的泛化性能。通过模拟三个医疗机构的乳腺X光数据集，挑战参与者可以提交能够在这三个机构上实现联邦学习的docker容器。最终的获胜模型在挑战测试数据上达到了线性kappa得分0.653，且在外部测试数据集上获得了0.413的得分。

其他亮点：本论文的亮点包括举办乳腺密度分类联邦学习挑战赛、使用模拟数据集进行实验，以及探索如何在不共享数据的情况下提高模型的泛化性能。值得关注的是，最终获胜的联邦学习模型在外部测试数据集上也取得了不错的表现。此外，本论文的数据集和代码已经开源，对于进一步研究该领域的学者具有很大的参考价值。

相关研究：最近在这个领域中，也有一些关于联邦学习在医疗图像处理中的应用的研究。例如，题为“Federated learning for breast density classification: A real-world implementation”的论文探索了联邦学习在乳腺密度分类中的应用，并使用了真实的医疗机构数据集进行实验。另外，还有一些研究探索了联邦学习在其他医疗图像处理任务中的应用，如肺结节检测、皮肤病诊断等。