医療画像分析のための、視点認識型対照学習とエキスパート混合を統合した連合学習フレームワーク
Federated learning framework for medical image analysis with perspective-aware contrastive and mixture of experts
医療画像分析における分散データ、限定的なアノテーション、モダリティや患者属性のばらつきといった課題に対し、プライバシーを保護しつつ、非IID分布や異種臨床環境に対応する新しい連合学習フレームワーク「FedPAC-ME」が提案された。FedPAC-MEは、多様な臨床的視点を模倣するマルチパースペクティブ拡張(MPA)と、モダリティやクライアント間の表現を整合させる視点認識型対照モジュール(PACM)を導入する。さらに、エキスパート混合(MoE)アーキテクチャのエキスパートルーティング層が、クライアント固有のデータ分布に専門エキスパートを動的に割り当て、異種性を克服する。視点認識型対照損失(PACL)は、ローカルトレーニング中のクロスビュー整合性を強化する。BraTS2020データセットを用いた実験では、FedPAC-MEは精度98.80%を達成し、既存の連合学習ベースラインを2.5%以上上回った。このフレームワークは、特徴整合、汎化性能、プライバシー保護の向上に有効であることが示された。
- 連合学習フレームワーク「FedPAC-ME」が提案され、医療画像分析で精度98.80%を達成。既存ベースラインを2.5%以上上回った。
本稿で提案されたFedPAC-MEは、医療画像分析におけるプライバシー保護と異種データ対応を両立する連合学習フレームワークであり、エッジヘルスケアAIや分散型医療データ活用の実用化を前進させる技術的ブレークスルーといえる。精度98.80%という数値は既存ベースラインを2.5%以上上回っており、医療AIの実装競争において差別化技術になり得る。投資家としては、本フレームワークを自社製品に組み込もうとする医療AIスタートアップや、BraTSなどのデータセットを活用する画像診断関連企業の動向に注目したい。