联邦学习突破跨机型壁垒，生物医学工程学院曾栋团队在Nature工程子刊、Science合作期刊发表医学影像协作新方案

 近日，我院曾栋团队在提升跨机构跨机型医学影像协作效率与隐私保护方面取得系列重要进展。团队提出的创新性服务器轮转联邦学习方法，有效解决了多供应商数据协作中的核心难题，相关成果作为最新突破性研究发表于《自然》（Nature）的首个工程领域子刊《通讯-工程》（Communications Engineering）。此前，团队针对联邦学习应对数据异质性的关键研究已发表于Science合作期刊《Cyborg and Bionic Systems》。这些系统性成果为医学影像领域的多机构高效协同与隐私安全开辟了新路径。

 医学影像领域亟需跨机构协作以提升诊断能力，但数据隐私与不同供应商数据异质性（如设备、协议、人群差异）是两大核心障碍。传统联邦学习依赖固定中心服务器，存在单点故障风险且难以适配各异的数据特征，限制了模型在未知机构数据上的泛化能力。

  Nature子刊核心成果：服务器轮转联邦学习

 针对上述挑战，发表在《Nature Communications Engineering》上的研究提出了一种创新的服务器轮转联邦学习方法（SRFLM）。该方法创造性地引入轮转服务器通信机制：各数据供应商依次承担服务器角色，利用自身数据对全局模型进行联邦微调，深度挖掘各供应商数据的全局潜在特征。同时，采用动态服务器选举策略，根据模型实时收敛性能智能选择最优服务器，显著加速训练过程并提升最终诊断模型的效率。研究团队在图像分类和CT重建任务上验证了SRFLM的有效性。尤为重要的是，SRFLM结合差分隐私技术，在严格保护原始数据隐私的前提下，实现了跨供应商医学影像的高效协同训练，为构建更广泛、更安全的医学影像协作网络提供了切实可行的“新路径”。

   Science合作期刊成果：应对数据异质性的相互学习机制

 发表于Science合作期刊《Cyborg and Bionic Systems》的研究（题为“Federated Metadata-Constrained iRadonMAP Framework with Mutual Learning for All-in-One CT Imaging”）是该团队解决多源数据异质性问题的关键一步。该研究深入探讨了传统联邦学习方法在处理多源异构CT数据集时的性能局限。为了克服这一难题，团队创新性地引入了相互学习（Mutual Learning）机制。该机制允许客户端与服务器之间进行更有效的信息共享，并结合提示学习（Prompt Learning） 技术来适应不同的成像场景，从而显著增强了联邦学习模型对数据分布差异的适应能力。这项成果不仅提升了联邦学习在CT成像中的模型性能，也为其在混合监督训练和个性化学习方面的应用拓展了空间，为后续SRFLM方法的提出奠定了重要基础。

  早期探索：联邦元数据学习提升CT重建

 团队在相关领域的系统性研究始于更早发表在IEEE期刊上的工作（“Towards Unified CT Reconstruction: Federated Metadata Learning With Personalized Condition-Modulated iRadonMAP”）。该研究率先探索了联邦学习在提升低剂量CT图像质量中的应用，并针对多机构数据差异导致模型性能下降的问题，提出了利用云端高质量元数据进行联邦元数据学习的方案。在本地客户端则采用条件调节模型，融入特定扫描条件知识来优化重建过程，初步验证了缓解数据异质性影响的可行策略。

 该系列研究由生物医学工程学院2024级博士生王昊为第一作者，南方医科大学为第一完成单位。西安交通大学练春锋教授、马建华教授和曾栋副研究员为共同通讯作者。研究得到了国家重点研发计划、国家自然科学基金项目等的大力资助。