FedAgain: 尿管鏡検査における自動結石識別のための信頼ベースで堅牢な連合学習戦略

要旨:
医用画像における人工知能（AI）の信頼性は、多様な機器を用いて異なる病院で取得された、異種で破損した画像に対する堅牢性に大きく依存しており、これは非常に挑戦的です。したがって、本論文は内視鏡画像からの腎結石自動識別のための堅牢性と一般化性能を高めることを目的とした、信頼に基づくフェデレーテッドラーニング（Federated Learning）戦略「FedAgain」を提案します。FedAgainは、ベンチマーク信頼性とモデル発散の二重の信頼メカニズムを組み合わせ、クライアントの貢献度を動的に重み付けすることで、集約時のノイズの多い更新や敵対的更新の影響を緩和します。このフレームワークは、複数の機関にまたがる協調モデルの学習を可能にしつつ、データプライバシーを保護し、実世界の条件下で安定した収束を促進します。五つのデータセットにわたる広範な実験は、二つの標準ベンチマーク（MNISTとCIFAR-10）、二つの民間の多機関腎結石データセット、および一つの公開データセット（MyStone）を含み、FedAgainが非独立同分布（non-IID）データおよび破損クライアントシナリオの下で標準的なフェデレーテッドラーニングのベースラインを一貫して上回ることを示しています。さまざまな条件下で診断精度と性能の安定性を維持することにより、FedAgainは医用画像の信頼性が高く、プライバシーを保護し、臨床で展開可能な連合型AIへ向けた実用的な前進を示しています。