机构名称：
¥ 1.0
摘要 - 在过去的几十年中，机器学习（ML）在医学图像分类中取得了重大进展。成功可以归因于两个因素：（i）诊所/医院收集和处理的独特患者数据以及（ii）解决基本分类任务的相应ML模型。实际上，患者数据可能包含患者人口统计学特有的敏感信息；和ML模型通常需要更高的计算资源，而不是单个医院的负担能力。考虑实际问题，我们探索了一种协作ML方法，其中称为客户的数据提供商旨在利用服务器的计算资源共同培训一个统一的ML模型，而无需共享任何原始数据。特别是，我们使用包含多模式图像输入和多标签地面真实的现实世界数据集专注于皮肤病变分类问题。为了启用协作性但具有隐私性的皮肤病变障碍，我们基于U形拆分学习，开发了一个名为SplitFusionNet的学习框架。SplitFusionNet的关键思想是将ML模型分为深神经网络层的（客户端，服务器）分区：客户端层处理多模态输入数据和多标签，而服务器层执行计算广泛的中层计算。此外，我们应用无损压缩和减压来提高客户端和服务器之间的通信成本。在实验上，与非分类集中式培训相比，SplitFusionNet需要更少的训练管道时间，同时实现相等的预测性能。索引术语 - 分类学习，多模式分类，多标签分类，隐私的机器学习
多模式医学图像分类的分裂学习
主要关键词
相关文件推荐
