不共享数据，也能联合训练，UCL团队用联邦学习重塑血液形态学检查

来自伦敦大学学院（UCL）计算机科学系的研究团队提出了一种用于白细胞形态分析的联邦学习框架，使各机构能够在不交换训练数据的情况下进行协同 训练。利用来自多个临床站点的血液涂片，该联邦模型在保证完全数据隐私的同时，学习到稳健且域不变的特征表示。与集中式训练相比，联邦训练在跨 站点性能和对未知机构的泛化能力上表现出色。 血液形态学检查是临床诊断血液疾病的重要环节，通过观察外周血涂片（PBS）或骨髓穿刺（BMA）中的细胞形态，医生可以判断白血病、贫血、感染 及遗传性血液疾病的类型。然而，这一过程不仅劳动强度大，而且高度依赖经验丰富的专业人员。尤其在低收入和中等收入国家（LMICs），技能专家稀 缺，使得快速、可靠且可扩展的血液学诊断成为急需解决的问题。 近年来，人工智能和深度学习的发展为血液形态分析提供了新的解决方案。AI 模型能够自动识别不同类型的白细胞，并辅助医生进行快速诊断。研究表 明，深度学习在自动化血液学诊断中具备显著潜力，但现实应用中仍面临重要挑战——模型训练对数据的依赖性极强，而临床数据通常分布在不同医院， 且存在染色方法差异、成像设备差异以及少数罕见细胞类型的问题。这种数据异质性会导致模型在新机构或 ...