Federated Active Learning Framework for Efficient Annotation Strategy in Skin-lesion Classification

联邦学习（FL）使多个机构能够在不共享私人数据的情况下协作训练模型。目前FL研究集中在通信效率、隐私保护和个性化方面，并假定FL数据已经被理想地收集。然而，在医疗场景中，数据注释需要专业知识和大量劳动，这是FL中的一个关键问题。主动学习（AL）在减少医学图像分析中的数据注释数量方面表现出有希望的性能。我们提出了一种联邦主动学习（FedAL）框架，其中AL在FL下定期和交互式地执行。我们利用每个医院的本地模型和从FL获取的全局模型构建一个集成模型。我们使用基于集成熵的AL作为FL中高效的数据注释策略。因此，我们的FedAL框架可以减少注释数据量，保护患者隐私，同时保持FL的性能。据我们所知，这是首个应用于医学图像的FedAL框架。我们在真实皮肤镜数据集上验证了我们的框架。使用仅50％的样本，我们的框架能够在皮肤病变分类任务上实现最先进的性能。我们的框架表现比FL下的几种最先进的AL方法更好，并实现了与全数据FL相当的性能。

论文旨在解决在医学场景下，数据标注需求高且耗时的问题，提出了一种基于主动学习和联邦学习的框架，即FedAL，以减少标注数据的数量并保护患者隐私。

FedAL框架利用本地模型和联邦学习获得的全局模型构建集成模型，并利用基于集成熵的主动学习作为FL中高效的数据标注策略，从而在维护FL性能的同时降低了标注数据量。

论文在真实的皮肤镜数据集上验证了FedAL框架，仅使用50%的样本就能在皮肤病分类任务上达到最先进的性能，表现优于其他基于主动学习的FL方法，并且与完整数据FL的性能相当。这个框架可以为医学图像分析领域提供一种新的解决方案。

最近在该领域的相关研究包括：《Federated Learning for Healthcare Informatics》、《Federated learning in healthcare: A systematic review》等。