FedMedICL: Towards Holistic Evaluation of Distribution Shifts in Federated Medical Imaging

为了使医学影像AI模型在临床上产生影响，它们必须具有泛化能力。然而，这个目标受到了多种分布转移类型的限制，例如时间、人口和标签转移，以及数据集中缺乏多样性的限制，这些数据集在单个医疗机构中被孤立。虽然这些限制已经引起了联邦学习的兴趣，但目前的评估基准未能同时评估不同的转移。然而，在实际的医疗保健环境中，多种类型的转移共存，但它们对医学影像性能的影响仍未得到研究。为此，我们介绍了FedMedICL，一个统一的框架和基准，以全面评估联邦医学影像挑战，同时捕捉标签、人口和时间分布转移。我们在六个不同的医学影像数据集上全面评估了几种流行的方法（总计550个GPU小时）。此外，我们使用FedMedICL模拟COVID-19在医院之间的传播，并评估这些方法是否能够适应疾病流行率的大流行变化。我们发现，一个简单的批量平衡技术在FedMedICL实验中的平均表现超过了先进的方法。这一发现质疑了以前狭窄基准的结果在实际医疗环境中的适用性。

本文旨在提出一种统一的框架和基准测试，综合评估联邦医学图像挑战，同时捕捉标签、人口统计和时间分布转移。

本文提出了FedMedICL框架和基准测试，以综合评估联邦医学图像挑战，同时捕捉标签、人口统计和时间分布转移。在六个不同的医学图像数据集上进行了全面评估，并使用FedMedICL模拟COVID-19在医院之间的传播。

本文使用FedMedICL框架和基准测试，综合评估了多种流行方法。实验结果表明，简单的批量平衡技术在FedMedICL实验中的平均表现超过了高级方法。本文的方法和实验设计值得深入研究。

近期的相关研究包括联邦学习在医学图像分析中的应用，以及解决标签转移和人口统计转移的方法。