Editorial ilmu komputer
Open AccessOA2026
FedMust: Pembelajaran Federasi Student-Teacher Multi-tugas Semi-supervisi untuk Segmentasi CT Multi-organ
Kerangka kerja student-teacher terfederasi yang memanfaatkan data tanpa label dan pembelajaran multi-tugas untuk meningkatkan segmentasi CT multi-organ di institusi dengan kendala privasi.
Ashkan Moradi; Bendik Skarre Abrahamsen; Mattijs Elschotยท 2026ยท DOI 10.48550/arXiv.2609.24627
Masalah inti
Segmentasi multi-organ dari pemindaian CT adalah landasan alur kerja klinis modern, yang memungkinkan diagnosis, perencanaan perawatan, dan analisis kuantitatif. Model pembelajaran mendalam untuk tugas ini, bagaimanapun, menuntut volume besar data pasien yang dianotasi. Dalam praktiknya, institusi individual jarang memiliki dataset beranotasi yang cukup besar dan beragam, dan regulasi privasi mencegah mereka berbagi data pasien untuk mengatasi keterbatasan ini. Lebih lanjut, anotasi membutuhkan banyak tenaga dan memerlukan keahlian multi-organ yang langka, sehingga institusi biasanya hanya memberi label pada sebagian kecil data lokal mereka, meninggalkan bagian tanpa label yang lebih besar tidak terpakai. Karya ini mengusulkan FedMust, kerangka kerja student-teacher multi-tugas terfederasi semi-supervisi yang fleksibel yang memanfaatkan pembelajaran terfederasi (FL) untuk meningkatkan segmentasi multi-organ dengan memanfaatkan data berlabel dan tanpa label di seluruh situs yang berpartisipasi. Kerangka kerja ini dirancang untuk melonggarkan persyaratan data berlabel bagi partisipasi klien sambil tetap mendapatkan manfaat dari kolaborasi lintas situs.
Inovasi
Eksperimen ekstensif menunjukkan efektivitas FedMust dibandingkan dengan model organ tunggal lokal dan terfederasi, menghasilkan peningkatan kinerja rata-rata 13 persen di seluruh klien. Eksperimen juga menunjukkan dampak pembelajaran multi-tugas dan data tanpa label, serta penerapan kerangka kerja ini dalam melonggarkan persyaratan data berlabel untuk partisipasi klien. Hasil ini menunjukkan bahwa FedMust dapat secara efektif memanfaatkan data tanpa label dan supervisi multi-tugas untuk meningkatkan kinerja segmentasi dalam pengaturan terfederasi di mana data berlabel langka dan kendala privasi mencegah berbagi data. Kode tersedia di https://github.com/AshknMrd/FedMust.
Segmentasi multi-organ dari pemindaian CT adalah landasan alur kerja klinis modern, yang memungkinkan diagnosis, perencanaan perawatan, dan analisis kuantitatif. Model pembelajaran mendalam untuk tugas ini, bagaimanapun, menuntut volume besar data pasien yang dianotasi. Dalam praktiknya, institusi individual jarang memiliki dataset beranotasi yang cukup besar dan beragam, dan regulasi privasi mencegah mereka berbagi data pasien untuk mengatasi keterbatasan ini. Lebih lanjut, anotasi membutuhkan banyak tenaga dan memerlukan keahlian multi-organ yang langka, sehingga institusi biasanya hanya memberi label pada sebagian kecil data lokal mereka, meninggalkan bagian tanpa label yang lebih besar tidak terpakai. Karya ini mengusulkan FedMust, kerangka kerja student-teacher multi-tugas terfederasi semi-supervisi yang fleksibel yang memanfaatkan pembelajaran terfederasi (FL) untuk meningkatkan segmentasi multi-organ dengan memanfaatkan data berlabel dan tanpa label di seluruh situs yang berpartisipasi. Kerangka kerja ini dirancang untuk melonggarkan persyaratan data berlabel bagi partisipasi klien sambil tetap mendapatkan manfaat dari kolaborasi lintas situs.
FedMust beroperasi dalam putaran komunikasi. Pada setiap putaran, pelatihan lokal dimulai dengan klien yang memiliki label untuk tugas yang sama membentuk federasi untuk menghasilkan model teacher teragregasi. Secara formal, untuk tugas , parameter teacher diperoleh melalui federated averaging atas himpunan klien yang memiliki label untuk tugas :
Mengapa penting
Kerangka kerja FedMust mengatasi dua tantangan kritis dalam pencitraan medis: data beranotasi yang terbatas dan kendala privasi. Dengan menggabungkan pembelajaran semi-supervisi dengan pembelajaran multi-tugas terfederasi, ini memungkinkan institusi untuk berkolaborasi tanpa berbagi data pasien, sambil memanfaatkan data tanpa label yang jika tidak akan dibuang. Arsitektur student-teacher memungkinkan distilasi pengetahuan dari teacher spesifik tugas ke student multi-tugas, mendorong berbagi fitur di seluruh tugas dan meningkatkan generalisasi. Peningkatan kinerja rata-rata 13 persen di seluruh klien menegaskan manfaat pembelajaran multi-tugas dan data tanpa label. Lebih lanjut, kerangka kerja ini melonggarkan persyaratan data berlabel, karena klien tanpa label untuk tugas tertentu masih dapat berpartisipasi dalam federasi student dan menyumbangkan data tanpa label. Fleksibilitas ini dapat memfasilitasi partisipasi yang lebih luas dalam inisiatif pembelajaran terfederasi, terutama dari institusi yang lebih kecil dengan sumber daya anotasi terbatas. Pekerjaan selanjutnya dapat mengeksplorasi skalabilitas ke lebih banyak tugas dan organ, ketahanan terhadap distribusi data yang heterogen, dan integrasi dengan teknik semi-supervisi lainnya.
Siapa yang sebaiknya membaca
Praktisi dan peneliti ilmu komputer
Membuka konten memberโฆ