脑部MRI不必离开医院:SCAN让新站点用本地原型适配冻结视觉语言模型,癫痫AUC最高提升25.4%
核心概要
多中心脑部MRI诊断模型通常需要集中扫描或反复联邦训练,SCAN改为让每个新站点在冻结的3D医学视觉语言模型上构建本地类原型,并以差分隐私保护后的类统计量与其他站点共享。在7个未见站点上,免训练本地原型把三个癫痫站点的AUC从0.598、0.625、0.508提升到0.684、0.729、0.762,平均AUC与各站点自训分类器相当(0.757对0.759)。在ε=4的差分隐私下,新站点贡献原型后既有站点AUC变化不超过0.2个百分点,但跨站点共享带来的增益有限。
深度剖析
新站点无需重训视觉语言模型,也无需上传患者扫描,就能用少量本地标注扫描改善神经系统疾病分类。 此前的联邦学习虽避免集中原始图像,却要求每个站点反复交换模型更新并具备训练基础设施,而共享的更新仍可能泄露患者信息。 在7个未见站点上,免训练本地原型在三个癫痫站点把AUC从0.598、0.625、0.508提升到0.684、0.729、0.762,在AD站点62提升3.0%,平均AUC为0.757,与站点自训逻辑回归的0.759接近。
站点之间只交换加噪后的类嵌入和计数,接收方据此重建原型并调整冻结模型的预测。 每个站点保留精确的本地类原型用于本地诊断,共享时对类嵌入求和与计数一次性加入按解析高斯机制校准的高斯噪声,满足(ε, δ)-差分隐私,无需反复加噪或重训。 实验覆盖12个国家67个站点的7,641次T1加权脑部MRI扫描,涉及阿尔茨海默病、卒中、癫痫与健康对照;在ε=4、δ=10⁻⁵时噪声尺度为1.53,在ε=1时为5.28。
启示与展望
评估覆盖12个国家67个站点的7,641次T1加权脑部MRI扫描,诊断类别为阿尔茨海默病、卒中、癫痫与健康对照,并在7个未见站点上以疾病对对照的AUC评分;每个未见站点随机取每类20%作为支持集,其余留作评估。作者指出各站点应在留出扫描上验证适配效果,尤其在支持集很小时,临床部署前还需进一步验证。
作者说明只评估了一种视觉语言模型(3D DenseNet121加ClinicalBERT)和一种支持集/评估集划分,其他骨干网络与划分可能表现不同;差分隐私保证是按扫描计的,只有每位患者仅贡献一次扫描时才等同于患者级隐私;视觉语言模型与源缓存由受信任的协调站点持有,在当前版本中未受保护。跨站点共享带来的增益有限,在ε=4时接收站点的提升不超过0.7个百分点。
