FL-MedSegBench: 医用画像セグメンテーションにおける連邦学習の総合ベンチマーク

連邦学習（FL）は、生データを共有することなく共同の医用画像解析のためのプライバシー保護的パラダイムを提供します。しかし、医用画像セグメンテーション向けの標準化されたベンチマークの不在は、FL手法の公正かつ包括的な評価を妨げています。このギャップを埋めるために、私たちはFL-MedSegBenchを提案します。これは医用画像セグメンテーションにおける初めての総合ベンチマークです。私たちのベンチマークは、9つのセグメンテーションタスクを、10種類の画像モダリティに跨り、2Dおよび3D形式を含む現実的な臨床的異質性を考慮してカバーします。私たちは、8つの汎用FL（gFL）手法と5つの個別化FL（pFL）手法を、セグメンテーション精度、公平性、通信効率、収束挙動、未知ドメインへの一般化という複数の次元で系統的に評価します。広範な実験から、いくつかの重要な知見が得られました：(i) 特にクライアント固有のバッチ正規化を用いたpFL手法（例：FedBN）は、汎用手法に比べて一貫して優れており、(ii) 単一の手法が普遍的に支配するわけではなく、性能はデータセットに依存する、(iii) 通信頻度の分析では、正規化ベースの個別化手法が通信頻度の低下に対して顕著な頑健性を示す、(iv) 公平性の評価において、DittoやFedRDNのような手法が性能の低いクライアントを保護することが示唆される、(v) 未知のドメインへの一般化は、参加するクライアント全体で良い性能を発揮できるかどうかに強く関連する。再現性のある研究を促進し、臨床適用可能なFLソリューションを加速するオープンソースツールキットを公開する予定であり、実際の臨床展開に向けた実証的根拠に基づくガイドラインを提供します。ソースコードは https://github.com/meiluzhu/FL-MedSegBench にあります。