MEDICINE & AI

タイトル：Efficient one-shot federated learning on medical data using knowledge distillation with image synthesis and client model adaptation. 雑誌名：Med Image Anal. 2025 Oct; 105: 103714. 概　要： 本研究は、複数の通信ラウンドが実用的でないシナリオにおけるワンショットフェデレーテッドラーニング（FL）の新しい枠組みを提案します。従来の知識蒸留（KD）を用いた合成画像による手法では、過学習や計算負荷が問題となっていました。そこで、我々はmixupを用いて擬似中間サンプルを生成し、構造ノイズの多様なタイプを取り入れることで、トレーニングサンプルの多様性を高め、過学習を防ぎ、効果的なトレーニングのための視覚的手がかりを提供します。また、合成画像の再利用を可能にし、計算資源を削減し、全体的なトレーニング効率を向上させます。ノイズによるドメインの不一致を軽減するために、ノイズに適応したクライアントモデルを設計し、バッチ正規化の統計を更新します。これにより、擬似生成画像を用いて元のモデルとノイズ適応モデルの両方を通じてグローバルモデルを反復的に更新するトレーニングプロセスを実現します。5つの小規模および3つの通常サイズの医療画像分類データセットでの広範な評価により、我々のアプローチが従来の手法に対して優れていることが示されました。 方　法： 本研究は、ワンショットフェデレーテッドラーニングの枠組みを用いたもので、合成画像とノイズ適応モデルを活用しています。具体的には、mixupを用いて擬似中間サンプルを生成し、ノイズに適応したクライアントモデルを設計しました。評価には、5つの小規模および3つの通常サイズの医療画像分類データセットを使用し、トレーニング効率とモデルの性能を比較しました。 結　果： 提案したアプローチは、従来の手法に比べてトレーニング効率を向上させ、過学習を防ぐことに成功しました。特に、擬似生成画像を用いたトレーニングにより、モデルの性能が向上し、医療画像分類において優れた結果を示しました。 結　論： 我々のワンショットフェデレーテッドラーニングの枠組みは、合成画像とノイズ適応モデルを活用することで、医療データにおける知識蒸留の効率を大幅に改善し、従来の手法に対して優れた性能を発揮することが示されました。