一个研究团队开发了一种新型的一次性联邦学习人工智能（AI）技术，该技术能够在不共享个人信息的情况下高效训练大规模模型。这一研究成果极为重要，因为它证明了在医学图像分析领域，隐私保护、学习效率和模型性能可以同时得到保障。该研究发表在《医学图像分析》期刊上。
该团队由大邱庆北科学技术院（DGIST）机器人与机电工程系的朴相铉（Sang-hyun Park）教授领导，包括来自美国斯坦福大学的研究人员。
医学图像数据包含敏感的患者信息，这限制了医院之间的信息共享，并对使用大规模数据集开发AI模型构成了重大挑战。作为解决方案提出的联邦学习（FL）通过共享训练模型而非原始患者数据来实现协作训练。然而，重复的模型传输导致了大量时间和成本负担。一次性联邦学习（One-shot FL）已被研究作为替代方案，但现有方法仍存在计算成本高和过拟合问题。
为解决这些局限性，朴教授团队提出了一种方法，该方法为合成图像添加结构噪声，并应用混合技术（mix-up technique）生成虚拟中间样本。这种方法通过增加训练数据的多样性来减少过拟合，同时重用合成图像以消除不必要的计算，从而显著提高计算效率。
研究团队将该技术应用于包括放射图像、病理图像、皮肤镜图像和眼底图像在内的各种医学图像数据集。结果表明，与现有的一次性联邦学习方法相比，所提出的方法以更少的计算量实现了更高的准确性。
朴教授评论道："这项研究的意义在于表明，即使在隐私保护和通信限制等现实约束下，也能够在医学图像领域训练出广泛适用的模型。未来，我们将继续推进这一技术，开发涵盖多样化患者群体同时保护隐私的AI模型，从而为建立准确且高度可靠的诊断支持系统做出贡献。"
更多信息：Myeongkyun Kang等人，《利用图像合成和客户端模型适应的知识蒸馏实现医学数据的高效一次性联邦学习》，《医学图像分析》（2025）。DOI: 10.1016/j.media.2025.103714
由大邱庆北科学技术院提供
【全文结束】
