注意：在联邦学习框架中，结合差分隐私技术的U-Net模型被用于脑卒中病变的分割任务

《Scientific Reports》：Attention U-Net with differential privacy in federated learning framework for brain stroke lesion segmentation

　　

摘要

医疗机构之间的数据隐私问题和数据碎片化现象阻碍了通过神经影像学对缺血性中风病变的分割。集中式方法可能与HIPAA和GDPR法规相冲突，而联邦学习方法既无法提供适当的隐私保障，也无法捕捉到病变的详细信息。本研究提出了Fed-AttUNet-DP框架，该框架在三个方面做出了重要贡献：引入空间注意力机制以优化联邦学习效果，从而提高中风病变检测的准确性；在客户端层面采用差分隐私技术，在服务器层面实现安全的MPCC（多路径压缩编码）以保护隐私；针对非独立同分布（non-IID）的医疗数据采用自适应联邦优化算法，从而加快训练速度并提升性能。该框架是对联邦平均算法的改进，它结合了注意力机制和U-Net网络结构，并采用了差分隐私技术（如梯度裁剪和高斯噪声处理）。实验中模拟了10家医疗机构参与150轮数据交换，客户参与率为30%。隐私预算设置为ε=2.5、δ=10^-5，噪声乘数为σ=0.8，梯度裁剪阈值为C=1.0。数据异质性通过Earth Mover（EMD）指标衡量，结果为0.342。实验使用BRISC2025数据集进行验证，Fed-AttUNet-DP的Dice相似系数和IoU值分别为0.930和0.890，灵敏度为0.941，特异性为0.982。与集中式训练相比，其准确率仅下降了1.6%；与仅使用本地数据的训练方法相比，准确率提高了7.3%。每体积数据的推理时间为0.8秒，总通信量为5.18GB，经过150轮交换后系统即可收敛。消融研究证实，注意力机制（DSC提升1.5%）、差分隐私技术（DSC降低1.0%）以及安全聚合技术都对模型性能有积极影响。我们的研究为数据隐私提供了正式的保障，并通过减轻跨医疗机构的数据异质性以及遵守HIPAA/GDPR法规，提升了病变分割的准确性。