陸森良，馮寶，徐坤財，陳業(yè)航，陳相猛

1.桂林電子科技大學電子工程與自動化學院，桂林 541004；2.桂林航天工業(yè)學院智能檢測與信息處理實驗室，桂林 541004；3.江門市中心醫(yī)院醫(yī)學影像智能計算及應用實驗室，江門 529000

0 引言

在醫(yī)學圖像任務中，由于醫(yī)學圖像數(shù)據(jù)獲取難度大（Li 等，2019；陳弘揚 等，2021），同時因患者隱私保密規(guī)定，各醫(yī)療機構(gòu)間不能共享患者數(shù)據(jù)，極大限制了數(shù)據(jù)規(guī)模。為打破數(shù)據(jù)壁壘，聯(lián)邦學習的提出（McMahan 等，2023）保證了各用戶端在不共享數(shù)據(jù)的情況下，以一種去中心化的方式訓練本地模型和聚合全局模型，其組織各用戶端分享本地模型參數(shù)，協(xié)作訓練一個全局模型，并將該模型部署到用戶端。然而各個醫(yī)院所擁有的數(shù)據(jù)存在因數(shù)據(jù)采集設(shè)備、搜集規(guī)格和圖像質(zhì)量差異而導致的特征異質(zhì)性分布等問題（Jiang 等，2022），使得數(shù)據(jù)總體呈現(xiàn)非獨立同分布（non independent identically distribution，Non-IID）（Kairouz 等，2021），從而導致各本地模型間參數(shù)一致性差，聚合得到的全局模型難以在所有用戶端都具有良好的性能（McMahan 等，2023；Jiang 等，2022；Kairouz 等，2021；Li 等，2020；Li 等，2021a）。因此，有效地全局聚合和部署到用戶端是聯(lián)邦學習研究中的一個熱點問題。

Li 等人（2020）基于聯(lián)邦平均算法（federated averaging，F(xiàn)edavg）框架（McMahan 等，2023）提出在模型訓練中添加一正則化項以減少本地模型與全局模型間的參數(shù)差異；模型對比聯(lián)邦學習算法（modelcontrastive federated learning，MOON）（Li 等，2021a）基于全局模型與本地模型間的特征余弦相似度構(gòu)建對比損失以加強本地模型與全局模型參數(shù)的一致性。Jiang 等人（2022）提出使用幅值歸一化技術(shù)調(diào)和圖像低頻特征以減輕異質(zhì)性特征影響，并在本地模型訓練中添加擾動以拓寬模型收斂區(qū)域。盡管這些方法可以加強本地模型參數(shù)一致性，但是仍采用固定權(quán)重比例（基于數(shù)據(jù)規(guī)模比例或平均分配）合成全局模型，對模型整體性能產(chǎn)生影響。而且將全局模型直接部署到用戶端，對個性化問題（Huang 等，2021）缺乏考慮。

為此，部分研究者提出個性化聯(lián)邦學習，致力于構(gòu)建個性化本地模型以提升本地模型的泛化性能。Deng 等人（2020）提出自適應聯(lián)邦學習算法：自適應個性化聯(lián)邦學習算法（adaptive personalized federated learning，APFL），該算法基于混合權(quán)重α實現(xiàn)本地模型和全局模型的參數(shù)合成，構(gòu)建個性化本地模型；Li等人（2021b）提出一種保持用戶端本地模型的批歸一化（batch normalization，BN），層參數(shù)不變，共享和聚合其他模型層參數(shù)的個性化聯(lián)邦學習算法：本地批處理歸一化聯(lián)邦平均算法（federated averaging with local batch normalization，F(xiàn)edBN）；元聯(lián)邦學習算法（meta federated learning，MetaFed）（Chen 等，2023）基于無服務端和分組用戶端的聯(lián)邦應用場景，提出一種環(huán)形信息傳播結(jié)構(gòu)，并選擇全連接層進行模型間的知識蒸餾以構(gòu)建個性化模型。Wang 等人（2019）將遷移學習用于聯(lián)邦學習，提出將訓練好的全局模型的部分或所有參數(shù)在局部數(shù)據(jù)上重新訓練以實現(xiàn)個性化。Schneider 和Vlachos（2020）提出后期塑造法，讓訓練過的模型使用來自不同分布的數(shù)據(jù)進行更新。上述方法可以實現(xiàn)個性化模型的構(gòu)建，但是需要基于大量試驗或以往經(jīng)驗選擇部分模型層來繼承全局模型參數(shù)。

因此，提出一種基于特征遷移的自適應個性化聯(lián)邦學習算法（adaptive personalized federated learning via feature transfer，APFFT）。該算法主要包括構(gòu)建個性化本地模型和聚合全局模型兩個部分。1）在個性化本地模型構(gòu)建中，為降低全局模型中異質(zhì)性特征信息的影響，提出魯棒特征選擇網(wǎng)絡（robust feature selection network，RFS-Net）自動計算全局模型向本地模型遷移特征時的特征通道遷移權(quán)重和特征遷移量，以決定遷移哪些特征和遷移去哪，然后基于特征通道遷移權(quán)重和特征遷移量構(gòu)建特征遷移損失項以加強本地模型對有效特征的注意力，實現(xiàn)自動識別和遷移有效特征的目的。2）考慮本地模型中存在的異質(zhì)性特征信息，提出自適應聚合網(wǎng)絡（adaptive aggregation network，AA-Net）基于本地模型特征計算各本地模型向全局模型遷移特征時的特征遷移權(quán)重，并構(gòu)建聚合損失項以引導全局模型從各本地模型中識別和遷移魯棒特征，然后基于全局模型交叉熵的變化實時更新特征遷移權(quán)重，從而逐步過濾各本地模型中的異質(zhì)性特征信息。

1 基于特征遷移的自適應個性化聯(lián)邦學習算法APFFT

如圖1所示，提出的APFFT 算法共包含N+1個用戶端，以其中1 個用戶端為服務端，接收其余N個用戶端上傳的本地模型參數(shù)后進行全局模型的參數(shù)聚合。

圖1 APFFT算法框架Fig.1 The framework of APFFT algorithm

該算法主要包括兩個部分：1）本地模型的自適應訓練。首先，由用戶端接收服務端下發(fā)的全局模型參數(shù)，基于全局模型和本地模型k在本地數(shù)據(jù)的特征差異計算二范數(shù)，然后由魯棒特征選擇網(wǎng)絡（robust feature selection network，RFS-Net）基于全局模型特征生成特征通道遷移權(quán)重和遷移量，并結(jié)合二范數(shù)值計算特征遷移損失，最后更新本地模型參數(shù)。2）全局模型自適應聚合。服務端接收各用戶端上傳的本地模型參數(shù)后，基于全局模型和各本地模型在服務端數(shù)據(jù)的特征差異逐一計算二范數(shù)，最后由AA-Net基于各本地模型特征計算遷移權(quán)重，構(gòu)建聚合損失以更新全局模型參數(shù)。

1.1 基于RFS-Net的本地模型自適應訓練

在聯(lián)邦學習應用場景中，由于各中心間的數(shù)據(jù)分布存在差異，本地模型如以Fine-tune 方式（Razavian 等，2014）進行訓練，會將全局模型中的異質(zhì)性特征信息一并引入，影響本地模型性能。因此，為降低異質(zhì)性特征影響，讓模型注意力更多地集中在有效特征，使用RFS-Net 引導全局模型到本地模型的特征遷移，基于特征通道遷移權(quán)重和遷移量構(gòu)建遷移損失函數(shù)以約束本地模型進行自適應訓練，實現(xiàn)本地模型個性化構(gòu)建。

1.1.1 特征遷移

設(shè)有N+1 個數(shù)據(jù)中心，記為｛Dglobal，D1，…，Dk，…，DN｝，全局模型和本地模型分別記為S（server）和C1，…，Cn，｛x｝為圖像數(shù)據(jù)，｛y｝為圖像標簽，({x}，{y}) ∈Dk。模型間具有高度一致性的特征，其適用價值更高（Romero 等，2015；Jang 等，2019；黎英和宋佩華，2022）。因此，基于全局模型和本地模型在Dk上的特征計算特征差異程度，具體為

式中，(m，n) ∈?，?為預定義的模型層匹配對，匹配對總數(shù)記為P。Sm(x)為全局模型第m模型層的中間特征圖(x)為本地模型k第n模型層的中間特征圖為被θk參數(shù)化可逐點卷積的線性變換，其保證了兩模型間特征圖的數(shù)量一致，此外，該參數(shù)僅在本地模型訓練時被更新和使用，并與組成了本地模型參數(shù)θk。在計算特征圖間的L2值時，如存在特征圖尺寸不一致，則使用雙線性插值法修正特征圖尺寸。然后，如圖2（a）所示，特征圖間的像素點逐一對應計算差異度diffi，v，最后取平均值得到L2值。

圖2 特征通道匹配Fig.2 Feature channels matching（（a）compute L2；（b）feature channels matching）

進行特征遷移時，首先，定義RFS-Netk的子網(wǎng)絡，其是由P組全連接層、池化層和softmax 層構(gòu)成的全連接網(wǎng)絡。該網(wǎng)絡以全局模型的特征為輸入，以softmax 層為輸出，計算特征通道遷移權(quán)重并由該權(quán)重來選擇遷移特征參與本地模型的訓練。具體為

其次，定義RFS-Netk的子網(wǎng)絡，是由P組全連接層、池化層和ReLU 6 激活層構(gòu)成的全連接網(wǎng)絡，其以全局模型的特征為輸入，以ReLU 6 激活層為輸出，計算全局模型第m層到本地模型第n層的遷移量具體為

1.1.2 個性化本地模型的自適應訓練

基于L2和構(gòu)建特征遷移損失函數(shù)以約束本地模型訓練，該損失函數(shù)定義為

式中，H×W為和Sm(x)輸出特征圖的尺寸，i∈{1，2，???，H}，v∈{1，2，???，W}。由式（2）計算得到。

如圖3 所示，本地模型進行自適應訓練的主要步驟如下：

圖3 基于特征遷移的本地模型自適應訓練示意圖Fig.3 Local model adaptive training based on feature transfer

1）按式（1）計算L2；

2）計算特征通道遷移權(quán)重，由k的子網(wǎng)絡按式（2）計算

3）計算遷移量，由k的子網(wǎng) 絡按 式（3）計算

4）根據(jù)式（6）計算Lwfm，更新本地模型參數(shù)θk。

由式（5）（6）可知，當本地模型參數(shù)與全局模型參數(shù)存在較大差異時，兩者在Dk上的特征差異，即L2值也隨之變大，此時由Lwfm約束本地模型加強對該模型層特征的注意力，如該特征無法降低本地模型交叉熵，則其對應的和會在更新RFS-Net參數(shù)后降低。

此外，為加強本地模型與全局模型之間的參數(shù)一致性，減少后續(xù)全局模型參數(shù)的聚合難度，計算對比損失，具體為

最后，得到訓練本地模型Ck參數(shù)的總損失函數(shù)Ltotal，具體為

式中，Lorg(θk|x，y)為Ck的交叉熵損失，β>0 為一個控制遷移損失權(quán)重的超參數(shù)，μ為一個控制對比損失權(quán)重的超參數(shù)。本地模型Ck的優(yōu)化目標為

1.2 基于AA-Net的全局模型自適應聚合

由于多中心數(shù)據(jù)存在的Non-IID問題，各本地模型參數(shù)受自身數(shù)據(jù)的異質(zhì)性特征影響，模型間的參數(shù)一致性變差（Jiang 等，2022）。若采用傳統(tǒng)聚合方法，直接為每個本地模型參數(shù)分配一個權(quán)重，按權(quán)重直接合成全局模型參數(shù)（McMahan 等，2023；Jiang等，2022；Li 等，2020；Li 等，2021a），可能會分散模型對有效特征的注意力，難以提升全局模型的泛化能力。因此，在聚合全局模型參數(shù)時，為了加強全局模型對魯棒特征的注意力，從各本地模型中遷移特征時，由AA-Net基于全局模型交叉熵變化對特征進行篩選，從而逐步過濾各本地模型中的異質(zhì)性特征信息，讓全局模型參數(shù)在遷移中自動完成聚合，由此定義一個全局模型自適應聚合優(yōu)化項，具體為

式中，δ為AA-Net 的模型參數(shù)。AA-Net 由N組RFSNet構(gòu)成，使用全局模型交叉熵更新網(wǎng)絡參數(shù)。

如圖4 所示，在提出的全局模型自適應聚合方法中，將其中一個用戶端作為服務端，其模型作為全局模型，并將其數(shù)據(jù)記為Dglobal。當服務端接收各個本地模型參數(shù)后，首先，依據(jù)式（2）（3）基于Ck在Dglobal上的特征計算得到和再由式（6）（11）計算Lagg(θglobal|x，δ)，以更新server參數(shù)。

圖4 基于特征遷移的全局模型自適應聚合Fig.4 Global model adaptive aggregation based on feature transfer

根據(jù)式（10）優(yōu)化項進行全局模型參數(shù)聚合時，由于不同本地模型對Dglobal的特征會存在差異，對于能降低server交叉熵的相關(guān)特征，AA-Net為其提高和因此在遷移中持續(xù)發(fā)揮作用的特征，會被AA-Net持續(xù)賦予較高的和。相應地，全局模型在聚合過程中，也會始終對這些特征保持較高的注意力。

APFFT 聯(lián)邦學習訓練框架如算法1 所示。在每個信息交互的循環(huán)中，server既要接收來自各個用戶端的本地模型參數(shù)，又要將全局模型參數(shù)傳輸給各個用戶端。Ck和server 均使用隨機梯度下降法（stochastic gradient descent，SGD）更新模型權(quán)重參數(shù)、RFS-Net和AA-Net參數(shù)。

算法1：APFFT框架。

2 實驗結(jié)果

為了評估APFFT 方法在Non-IID 數(shù)據(jù)集上的表現(xiàn)，在3 種醫(yī)學圖像分類任務上開展實驗：肺結(jié)核肺腺癌分類任務、乳腺癌組織學圖像分類任務和肺結(jié)節(jié)良惡性分類任務，并將實驗結(jié)果與聯(lián)邦平均算法（federated averaging，F(xiàn)edavg）（McMahan 等，2023）、聯(lián)邦近端算法（federated proximal，F(xiàn)edProx）（Li 等，2020）、MOON（Li 等，2021a）、協(xié)調(diào)局部和全局漂移的聯(lián)邦學習算法（harmonizing local and global drifts in federated learning，HarmoFL）（Jiang 等，2022）4 種聯(lián)邦學習方法相比較。實驗中所采用的卷積神經(jīng)網(wǎng)絡（convolutional neural networks，CNN）模型結(jié)構(gòu)為ResNet18（He 等，2016），并且以在ImageNet（Li 等，2010）數(shù)據(jù)集上訓練好的網(wǎng)絡參數(shù)為CNN 模型初始化參數(shù)。

2.1 數(shù)據(jù)集與實驗設(shè)置

2.1.1 肺結(jié)核肺腺癌分類任務

使用的數(shù)據(jù)源自5 家醫(yī)院，其臨床數(shù)據(jù)信息如表1 所示，樣本標簽分為肺結(jié)核和肺腺癌，個別中心正負樣本比例懸殊、各中心間結(jié)節(jié)特征分布差異大。在APFFT 框架下，以中心1 為服務端，其他4 個中心作為用戶端。本文使用Focalloss（Lin 等，2020）計算交叉熵損失，其中alpha 設(shè)置為0.76，gamma 設(shè)置為2；使用SGD 算法更新RFS-Net、AA-Net 和CNN 網(wǎng)絡模型參數(shù)，動量為0.9，其中RFS-Net 和AA-Net 的學習率和衰減率均為0.000 1，CNN 網(wǎng)絡的學習率和衰減率為0.001和0.000 5。

表1 肺結(jié)核肺腺癌分類任務中各中心數(shù)據(jù)臨床信息分布Table 1 The distribution of data and clinical information of each center in the TBG and LAC classification

2.1.2 乳腺癌組織學圖像分類任務

本文使用公開數(shù)據(jù)集Camelyon17（the cancer metastasis in lymph nodes challenge 2017），其由5 家醫(yī)院的組織學圖像組成，共450 000 幅圖像（Bandi等，2019），每家醫(yī)院的圖像標簽均分為正常組織和腫瘤組織。以中心1 為服務端，其他中心為用戶端。本文使用標準交叉熵計算交叉熵損失，CNN 網(wǎng)絡、RFS-Net 和AA-Net 的學習率和衰減率均為0.000 1，使用SGD算法更新網(wǎng)絡參數(shù)，動量為0.9。

2.1.3 肺結(jié)節(jié)良惡性分類任務

使用公開數(shù)據(jù)集肺影像數(shù)據(jù)庫聯(lián)盟（the lung image database consortium，LIDC），該數(shù)據(jù)集由美國國家癌癥研究所發(fā)起收集，其數(shù)據(jù)來源于7 家研究機構(gòu)和8 家醫(yī)學圖像公司，共有1 018 個病例，其中≥3 mm 的肺結(jié)節(jié)，其惡性程度分為1～5 級，其中等級3為不確定惡性程度（McNitt-Gray 等，2007），將惡性程度為1～2 級的病灶歸為良性，將惡性程度為4～5 級的病灶歸為惡性，最后將1 746 個病灶納入數(shù)據(jù)集。為模擬聯(lián)邦學習應用場景，將1 018 個病例隨機分為4 個中心，其標簽分布情況如表2 所示。以中心1 為服務端，其他中心為用戶端。本文使用標準交叉熵計算交叉熵損失，使用SGD 優(yōu)化法更新RFS-Net、AA-Net 和CNN 網(wǎng)絡模 型參數(shù)，動量為0.9，其中RFS-Net 和AA-Net 的學習率和衰減率均為0.000 1，CNN 網(wǎng)絡的學習率和衰減率為0.001 和0.000 1。

表2 肺結(jié)節(jié)良惡性分類任務中各中心數(shù)據(jù)分布表Table 2 The data distribution of each center in the classification of benign and malignant pulmonary nodules

本文使用聯(lián)邦學習框架超參數(shù)的默認設(shè)置為：本地模型訓練循環(huán)E為1，特征遷移循環(huán)G為2。做遷移層對(m，n)匹配時，以ResNet18 的4 個block 的輸出層來兩兩匹配，預先設(shè)定的匹配層對(m，n)共16對，λm，n初始值均為1。

2.2 實驗結(jié)果及對比分析

本文將AUC（area under the curve）、準確率（accuracy）、陽性預測值（positive predictive value，PPV）、陰性預測值（negative predictive value，NPV）和召回值（recall）用于模型的對比和評價。其中，AUC反映了算法分類的綜合性能；準確率為識別結(jié)果正確的樣本（包括正負樣本）占所有樣本的比例；PPV為真陽性樣本在識別結(jié)果為陽性的樣本中的比例；NPV為識別為真陰性樣本在識別結(jié)果為陰性的樣本中的比例；recall為識別結(jié)果為正確的正樣本占所有正樣本的比例。

2.2.1 肺結(jié)核肺腺癌分類任務

肺結(jié)核（tuberculous granuloma，TBG）肺腺癌（lung adenocarcinoma，LAC）分類任務，如表3所示，展示了各方法在5個數(shù)據(jù)中心測試集上的端對端準確率和AUC，各個模型的ROC（receiver operating characteristic）曲線如圖5所示（其曲線下面積為AUC數(shù)值）。與Fedavg相比較，F(xiàn)edProx、MOON、HarmoFL在5個中心上的AUC都有一定的提升，但在中心2和中心4上有明顯的性能限制。相較于上述4 種算法，提出的APFFT方法在5個中心測試集上AUC都有明顯提升，AUC 分 別為0.791 5，0.798 1，0.760 0，0.705 7，0.806 9。此外，從PPV、NPV 和recall 指標的比較來看，提出方法在具有高PPV 的情況下較大提升了NPV。

表3 不同聯(lián)邦學習算法在肺結(jié)核肺腺癌分類任務上的結(jié)果Table 3 The results for TBG and LAC classification of different federated learning methods

圖5 肺結(jié)核肺腺癌分類任務各中心測試集的ROC曲線Fig.5 The ROC curves of each center test cohort in TBG and LAC classification（（a）center 1 testset；（b）center 2 testset；（c）center 3 testset；（d）center 4 testset）

FedProx、MOON 和HarmoFL 3 種算法在中心2和中心4 上出現(xiàn)性能限制的主要原因是：1）正負樣本比例懸殊。由表1 知，在中心2 中，訓練集的正負比例達到10∶1，測試集達到26∶1。在中心4中，訓練集約3∶1，測試集4∶1。由表3 中3 種算法在兩個數(shù)據(jù)中心的準確率和AUC 表現(xiàn)可知，模型對正樣本過度學習，故準確率尚可而AUC 不佳；2）結(jié)節(jié)特征存在較大差異。在肺結(jié)核和肺腺癌診斷中，臨床信息中的性別、年齡、結(jié)節(jié)大小具有較大參考價值，由表1可知，在中心2 中，總體的患者年齡和結(jié)節(jié)大小偏小，而中心4 中結(jié)節(jié)大小總體偏大，與全局平均水平具有一定差距。

2.2.2 乳腺癌組織學圖像分類任務

對于乳腺癌組織學圖像分類任務，如表4 所示，對于準確率指標，在各中心上，相比于其他聯(lián)邦學習算法，所提方法準確率取得了約1%～9%的提升，5 個中心的測試集準確率分別為0.984 9，0.980 8，0.983 5，0.982 6，0.983 4。此外，在PPV、NPV 和recall指標的比較上也均為最優(yōu)。

表4 不同聯(lián)邦學習算法在乳腺癌組織學圖像分類任務上的結(jié)果Table 4 The results for breast cancer histology images classification of different federated learning methods

Fedavg 方法以固定權(quán)重合成全局模型參數(shù)，影響了全局模型對有效特征的反應，再以fine-tune 方式訓練本地模型，全局模型中存在的異質(zhì)性特征信息可能無益于本地任務；MOON 使用對比損失約束本地與全局模型的參數(shù)差異，各中心準確率有一定提升，但中心2 的結(jié)果明顯較低；而FedProx 使用正則項約束本地模型訓練以降低本地模型與全局模型間的參數(shù)差異，中心2 的準確率有明顯提升；HarmoFL通過調(diào)和圖像低頻特征和添加擾動項，使模型參數(shù)一致性得到加強，各中心準確率有一定提升。

2.2.3 肺結(jié)節(jié)良惡性分類任務

對于肺結(jié)節(jié)良惡性分類任務，如表5 所示，F(xiàn)edavg 在中心2 和中心3 上得到良好的AUC 指標，但在中心1 上AUC 指標有很大的下降；與其相比較而言，F(xiàn)edProx 在中心1 上有較大性能提升，但在中心3 上AUC 有所下降；MOON 相較Fedavg、FedProx、HarmoFL 而言，在4 個中心上均得到了較好的AUC指標，但中心3 上的AUC 相對較低。與4 種方法相比，提出的APFFT 在4個中心都有全面的性能提升，AUC 分別為0.809 7，0.849 8，0.784 8，0.792 3，各個模型的ROC 曲線對比如圖6所示。此外，在PPV、NPV 和recall 指標上，提出方法在中心1、2、4 和5 均有較好的性能，在中心3上，在具有較高NPV 的情況下PPV得到一定的提升。

圖6 肺結(jié)節(jié)良惡性分類任務各中心測試集ROC曲線Fig.6 The ROC curves of each center test cohort in classification of pulmonary nodules and malignant pulmonary nodule（（a）center 1 testset；（b）center 2 testset；（c）center 3 testset；（d）center 4 testset）

Fedavg、FedProx、MOON 和HarmoFL 4 種方法采用fine-tune 方式訓練本地模型，引入了全局模型參數(shù)中的異質(zhì)性特征信息，導致個別中心的結(jié)果較好，個別中心的結(jié)果很差，難以實現(xiàn)全面提升。

4 結(jié)論

面對多中心醫(yī)學圖像數(shù)據(jù)中存在的異質(zhì)性特征，已有聯(lián)邦學習算法的全局模型聚合和本地模型個性化存在靈活性較低、適應性差的問題。為此，本文提出一種基于特征遷移的自適應個性化聯(lián)邦學習算法APFFT。在個性化本地模型構(gòu)建中，提出RFSNet 自動識別和選擇由全局模型向本地模型遷移的有效特征，其根據(jù)全局模型在本地數(shù)據(jù)的特征計算特征通道遷移權(quán)重和遷移量，最后結(jié)合特征間差異性構(gòu)建遷移損失函數(shù)以加強本地模型對有效遷移特征的注意力；在聚合全局模型中，提出AA-Net 從多個本地模型向全局模型遷移特征，其基于本地模型特征和全局模型交叉熵變化更新遷移權(quán)重，然后構(gòu)建聚合損失以過濾各本地模型中的異質(zhì)性特征信息。實驗中，對肺結(jié)核肺腺癌分類任務中的5 個中心臨床信息進行統(tǒng)計分析，發(fā)現(xiàn)部分中心的臨床特征與整體數(shù)據(jù)集水平有較大差異，對比算法在這些中心上得到的端對端AUC 結(jié)果較差。為進一步驗證APFFT 算法性能，在兩個公開醫(yī)學圖像數(shù)據(jù)集上進行測試，結(jié)果表明，提出的方法在醫(yī)學數(shù)據(jù)集中各中心有較好的適應性，并在同類算法中保持較高的模型分類性能?；谔卣鬟w移的思想構(gòu)建個性化本地模型和聚合全局模型，不僅可以降低和過濾異質(zhì)性特征信息，還能使模型將注意力放在魯棒特征上，提升模型在本地醫(yī)學數(shù)據(jù)上的泛化能力。醫(yī)學圖像樣本規(guī)模有限，采用這種基于特征遷移的自適應方法聚合全局模型和構(gòu)建個性化本地模型，可以為未來形成一種聯(lián)邦學習在醫(yī)學圖像應用的自動化機制提供有益經(jīng)驗。但目前遷移學習與聯(lián)邦學習的結(jié)合還停留在較淺的層面，后續(xù)將考慮從圖像卷積特征入手，尋找遷移特征與本地數(shù)據(jù)深層次結(jié)合的方法。