Brain Storm Optimization Based Swarm Learning for Diabetic Retinopathy Image Classification

近年来，将深度学习技术应用于医学问题已经引起了广泛的研究兴趣，例如将卷积神经网络应用于医学图像分类任务。然而，医学领域的数据往往具有高度的隐私性，阻止不同医院共享数据以训练准确的模型。联邦学习作为一种保护隐私的机器学习架构，通过将私有数据保留在客户端并使用中央服务器协调一组客户端来训练模型，从而在保持数据隐私和模型效用方面表现出色。然而，这种架构严重依赖于可信的第三方服务器，在现实生活中很难实现。Swarm学习作为一种不需要中央服务器的专门分散式联邦学习架构，利用区块链技术实现客户端之间的直接参数交换。然而，挖掘区块需要大量的计算资源，限制了其可扩展性。为了解决这个问题，本文将脑风暴优化算法集成到Swarm学习框架中，命名为BSO-SL。该方法基于模型分布将相似的客户端聚类到不同的组中。此外，利用BSO的架构，客户端被赋予了在其集群内和集群外进行协作学习的概率，防止模型收敛到局部最优解。该方法已在真实的糖尿病视网膜病变图像分类数据集上得到验证，实验结果证明了所提出方法的有效性。

解决医疗领域数据隐私保护和联合学习模型效果问题

提出一种基于区块链技术和脑风暴优化算法的去中心化联合学习框架BSO-SL，解决了传统联合学习框架中依赖可信第三方服务器和计算资源受限的问题

实验使用真实世界的糖尿病视网膜病变图像分类数据集验证了BSO-SL框架的有效性，与传统联合学习和去中心化联合学习相比，BSO-SL在保障数据隐私的同时，提高了模型的准确性和鲁棒性

近期相关研究包括使用深度学习技术解决医疗图像分类问题的研究，以及联合学习和去中心化联合学习在数据隐私保护方面的研究，例如“Privacy-Preserving Deep Learning with Applications to Neural Network Design”和“Decentralized Federated Learning: A Segmented Gossip Approach”。