[论文解读] Federated Learning for Privacy-Preserving Medical AI

Tin Hoang|arXiv (Cornell University)|Mar 16, 2026

Privacy-Preserving Technologies in Data被引用 0

一句话总结

该论文开发了面向站点的数据分区和自适应本地差分隐私（ALDP），实现隐私保护的联邦学习，用于ADNI MRI数据的阿尔茨海默认病分类，显示在强隐私保障下仍具竞争力的准确性。

ABSTRACT

This dissertation investigates privacy-preserving federated learning for Alzheimer's disease classification using three-dimensional MRI data from the Alzheimer's Disease Neuroimaging Initiative (ADNI). Existing methodologies often suffer from unrealistic data partitioning, inadequate privacy guarantees, and insufficient benchmarking, limiting their practical deployment in healthcare. To address these gaps, this research proposes a novel site-aware data partitioning strategy that preserves institutional boundaries, reflecting real-world multi-institutional collaborations and data heterogeneity. Furthermore, an Adaptive Local Differential Privacy (ALDP) mechanism is introduced, dynamically adjusting privacy parameters based on training progression and parameter characteristics, thereby significantly improving the privacy-utility trade-off over traditional fixed-noise approaches. Systematic empirical evaluation across multiple client federations and privacy budgets demonstrated that advanced federated optimisation algorithms, particularly FedProx, could equal or surpass centralised training performance while ensuring rigorous privacy protection. Notably, ALDP achieved up to 80.4% accuracy in a two-client configuration, surpassing fixed-noise Local DP by 5-7 percentage points and demonstrating substantially greater training stability. The comprehensive ablation studies and benchmarking establish quantitative standards for privacy-preserving collaborative medical AI, providing practical guidelines for real-world deployment. This work thereby advances the state-of-the-art in federated learning for medical imaging, establishing both methodological foundations and empirical evidence necessary for future privacy-compliant AI adoption in healthcare.

研究动机与目标

• 通过在联邦学习中保留机构边界来解决医疗AI中的数据碎片化问题。
• 开发自适应本地差分隐私（ALDP），在训练过程中动态调整隐私噪声。
• 在现实的多机构条件下对联邦学习策略（FedAvg、FedProx、SecAgg+）进行基准测试。
• 为使用ADNI数据的神经影像应用提供隐私-效用权衡的经验性指南。

提出的方法

• 引入站点感知的数据分区，以反映现实世界的多机构合作和数据异质性。
• 提出自适应本地差分隐私（ALDP），根据训练进展对每轮和每个参数张量的隐私参数进行调整。
• 将Flower、MONAI和PyTorch集成，构建可配置的三维MRI分类联邦学习框架。
• 在2–4个客户端的场景下，对比联邦策略（FedAvg、FedProx、SecAgg+）与集中式训练的性能。
• 在不同隐私预算（epsilon、delta）下，评估局部DP和ALDP带来的隐私-效用权衡。

实验结果

研究问题

• RQ1 站点感知的数据分区如何影响多机构医疗影像中的联邦学习性能？
• RQ2 相较于固定噪声的局部DP，ALDP是否能在阿尔茨海默病MRI分类中改善隐私-效用平衡？
• RQ3 在现实隐私约束下，诸如FedProx等先进联邦优化方法是否能达到或超过集中式训练的性能？
• RQ4 在ADNI数据上，隐私保护的联邦学习有哪些实际基准（准确性、鲁棒性、训练稳定性）？
• RQ5 对在医疗保健领域使用神经影像数据部署隐私保护的联邦学习能给出哪些指导？

主要发现

• ALDP在两客户端配置下可达到最高80.4%的准确率，比固定噪声的本地DP高出5–7个百分点。
• ALDP在训练稳定性方面显著更高，方差仅0.80%，优于传统DP方法。
• 在3个客户端设置下，FedProx达到81.4±3.2%的准确率，超越集中式训练的80.2±2.2%。
• FedProx将AD检测灵敏度从64%提高到74%。
• 站点感知分区使在医疗影像领域对多机构联邦学习进行更现实的评估成为可能，为实用部署提供了支持性依据。