OCT-FedSIR: Menuju Pembelajaran Oftalmik Terfederasi yang Tepercaya di Bawah Derau Anotasi

Kerangka kerja spektral yang sadar keandalan untuk klasifikasi OCT terfederasi di bawah derau anotasi yang bergantung pada klien dan distribusi data yang heterogen

Sina Gholami; Abdulmoneam Ali; Tania Haghighi; Rashadul H. Badhon; Behafarin Emam; Sally S. Y. Ong; Atalie C. Thompson; Theodore Leng; Ahmed Arafa; Jennifer I. Lim; Minhaj Nur Alam· 2026· DOI 10.48550/arXiv.2609.14734

Masalah inti

Pembelajaran terfederasi (FL) memungkinkan pengembangan model secara kolaboratif tanpa memusatkan data pasien, sehingga menarik untuk pencitraan oftalmik yang mengutamakan privasi. Namun, keandalan anotasi di institusi peserta tidak selalu dapat diasumsikan. Dalam pencitraan oftalmik, perbedaan prevalensi penyakit dan komposisi kelas dapat menyerupai perubahan yang disebabkan oleh supervisi yang rusak, sehingga menciptakan tantangan mendasar: membedakan heterogenitas yang sebenarnya dari derau anotasi. Makalah ini memperkenalkan OCT-FedSIR, kerangka kerja spektral yang sadar keandalan untuk klasifikasi OCT terfederasi di bawah derau anotasi yang bergantung pada klien dan distribusi data yang heterogen. Kerangka kerja ini menjawab kebutuhan kritis akan pembelajaran terfederasi yang tepercaya dalam pencitraan medis, di mana label yang berderau dapat menurunkan kinerja model secara parah dan mengompromikan pengambilan keputusan klinis.

Inovasi

Kerangka kerja ini dievaluasi pada dataset Kermany, University of Illinois Chicago, dan Wake Forest di bawah derau asimetris simetris dan terstruktur serta tiga tingkat heterogenitas non-IID. Pada 117 kondisi eksperimen, OCT-FedSIR mencapai akurasi rata-rata 86,73%, dibandingkan dengan 79,94% untuk RoFL dan 78,75% untuk FedCorr. Kerangka kerja ini dengan benar memisahkan klien dengan anotasi asli dan yang rusak di semua kondisi yang dievaluasi, sementara prosedur identifikasi FedSIR yang asli kurang tangguh, terutama di bawah derau asimetris. Pelabelan ulang spektral memulihkan 77,2% anotasi yang rusak dengan presisi koreksi 91,3% dan tingkat koreksi palsu 3,5%. Mempertahankan klien yang dikoreksi mengungguli pemangkasan spektral sebesar 9,30 poin persentase secara rata-rata. Hasil ini menunjukkan bahwa derau anotasi sering dapat diidentifikasi dan dikoreksi tanpa membuang data klien yang informatif, sehingga secara signifikan meningkatkan kinerja pembelajaran terfederasi di hadapan derau label.

Pembelajaran terfederasi (FL) memungkinkan pengembangan model secara kolaboratif tanpa memusatkan data pasien, sehingga menarik untuk pencitraan oftalmik yang mengutamakan privasi. Namun, keandalan anotasi di institusi peserta tidak selalu dapat diasumsikan. Dalam pencitraan oftalmik, perbedaan prevalensi penyakit dan komposisi kelas dapat menyerupai perubahan yang disebabkan oleh supervisi yang rusak, sehingga menciptakan tantangan mendasar: membedakan heterogenitas yang sebenarnya dari derau anotasi. Makalah ini memperkenalkan OCT-FedSIR, kerangka kerja spektral yang sadar keandalan untuk klasifikasi OCT terfederasi di bawah derau anotasi yang bergantung pada klien dan distribusi data yang heterogen. Kerangka kerja ini menjawab kebutuhan kritis akan pembelajaran terfederasi yang tepercaya dalam pencitraan medis, di mana label yang berderau dapat menurunkan kinerja model secara parah dan mengompromikan pengambilan keputusan klinis.

OCT-FedSIR menggabungkan lima komponen utama: (1) estimasi spektral yang seimbang kelas, (2) penyesuaian logit Tahap-I, (3) deskriptor spektral komplementer, (4) pelabelan ulang spektral selektif, dan (5) optimisasi terfederasi yang sadar derau. Kerangka kerja ini beroperasi pada prinsip bahwa derau anotasi muncul sebagai deviasi spektral dalam ruang logit, yang dapat dideteksi dan dikoreksi tanpa membuang data klien. Proses estimasi spektral dapat diformalkan sebagai berikut: untuk setiap klien k, deskriptor spektral yang seimbang kelas s_{k} dihitung dari logit z_{k} sebagai s_{k} = F (z_{k}), di mana F menyatakan transformasi spektral. Penyesuaian logit Tahap-I menerapkan koreksi z_{k}^{'} = z_{k} + δ_{k}, di mana δ_{k} diturunkan dari deskriptor spektral. Pelabelan ulang spektral selektif kemudian mengidentifikasi anotasi yang rusak dengan membandingkan tanda tangan spektral antar klien, menggunakan ambang τ untuk menandai potensi derau. Optimisasi terfederasi yang sadar derau mengagregasi pembaruan klien sambil menurunkan bobot klien yang diidentifikasi berderau, sehingga memastikan konvergensi model yang tangguh. Arsitektur keseluruhan diilustrasikan dalam diagram Mermaid berikut:

Mengapa penting

Temuan ini menyoroti pentingnya pembelajaran terfederasi yang sadar keandalan dalam pencitraan medis. Kemampuan OCT-FedSIR untuk membedakan antara heterogenitas data yang sebenarnya dan derau anotasi sangat penting untuk pembelajaran kolaboratif yang tepercaya. Pendekatan spektral menyediakan cara yang berprinsip untuk mendeteksi dan mengoreksi label yang berderau, mengungguli metode yang ada seperti RoFL dan FedCorr. Presisi koreksi yang tinggi (91,3%) dan tingkat koreksi palsu yang rendah (3,5%) menunjukkan bahwa kerangka kerja ini dapat secara andal memulihkan anotasi yang rusak. Selain itu, keunggulan mempertahankan klien yang dikoreksi dibandingkan memangkasnya (sebesar 9,30 poin persentase) menegaskan nilai mempertahankan data bahkan ketika awalnya berderau. Hal ini memiliki implikasi signifikan untuk penerapan terfederasi di dunia nyata, di mana membuang data dari seluruh institusi dapat menjadi pemborosan dan bermasalah secara etis. Pekerjaan selanjutnya dapat memperluas OCT-FedSIR ke modalitas pencitraan lain dan mengeksplorasi ambang adaptif untuk langkah pelabelan ulang spektral. Ketangguhan kerangka kerja ini di bawah derau asimetris, di mana FedSIR yang asli kurang efektif, semakin menunjukkan kegunaan praktisnya di lingkungan klinis yang beragam dan tidak dapat diprediksi.

Siapa yang sebaiknya membaca

Praktisi dan peneliti ilmu komputer

Membuka konten member…