联邦学习框架部署
验证TheODen框架能否在真实临床基础设施上实现跨互联网的联邦学习训练，无需开放客户端防火墙端口。
在三个德国大学医院部署客户端，在达姆施塔特部署服务器和反向代理，使用公共组织病理学数据集进行训练。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
全国范围内的联邦学习用于组织病理学：在德国防火墙后的安全部署
Nationwide federated learning for histopathology: secure deployment across Germany behind firewalls
实验完整度
中实验包含部署、训练与评估环节，涉及两个数据集及多中心联邦训练，但缺乏体外或动物等独立证据层级。
主要模型
BCSS乳腺癌分割数据集 SemiCOL结直肠癌分割数据集
重点核对
BCSS数据集：144张H&E染色WSI，每张扫描分辨率0.25微米/像素，补丁大小256x256 SemiCOL数据集：20例结直肠癌WSI，来自科隆和慕尼黑两家医院 联邦训练设置：客户端数量K=3，C=1.0，E=1 epoch，BCSS训练150 epochs，SemiCOL训练130 epochs 客户端数据划分：BCSS每个客户端34训练、7验证、7测试；SemiCOL科隆和埃森各3训练、1验证、1测试，莱比锡6训练、2验证、2测试
摘要
联邦学习(FL)使得在不共享敏感数据的情况下进行协作训练成为可能，是医疗影像中隐私保护人工智能的一种解决方案。然而，由于严格的数据保护法规、异构的基础设施以及防火墙后有限的网络可访问性，医院部署仍然具有挑战性。我们介绍了TheODen，一个用于组织病理学全切片成像(WSI)联邦训练的开源框架。它不需要开放的客户端端口，通过安全的反向代理架构即可实现防火墙后的训练。我们进行了据我们所知的首次全国性联邦学习研究，在德国三家大学医院中进行结直肠癌的组织病理学分割，使用乳腺癌和结直肠癌数据集，且未打开防火墙端口。尽管存在数据异质性和网络约束，TheODen仍实现了稳健的分割，BCSS上的全局平均Dice得分为0.764，SemiCOL上的为0.754。这些发现强调了TheODen在促进医疗机构之间安全、大规模合作以及在现实基础设施约束下加速AI模型临床转化的潜力，为未来的合作提供了隐私保护的设计架构。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 如何在不开放防火墙端口的情况下，安全地在多个医院间进行组织病理学图像的联邦学习训练？
- 核心机制
- 通过反向代理架构，在云端部署代理服务器，转发服务器和客户端之间的通信，从而使客户端无需开放端口即可参与联邦学习训练。
- 主要证据
- 在三个德国大学医院间进行了全国部署，使用BCSS和SemiCOL数据集，实现了全局平均Dice分数0.764和0.754，并与集中式基线性能相当。
- 研究意义
- 证明了联邦学习在真实临床基础设施上的可行性，为医疗机构间的安全协作和AI模型的临床转化提供了实用框架。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
数据集准备与处理
准备两个组织病理学分割数据集，用于评估TheODen在联邦学习中的性能。
使用BCSS和SemiCOL数据集，分别包含乳腺癌和结直肠癌的WSI，将其切割成256x256像素的补丁，并按客户端分配训练、验证和测试集。
联邦训练执行
在真实网络条件下进行联邦训练，并评估训练过程中的性能变化。
使用TheODen框架，以FedAvg算法进行联邦训练，每个客户端训练本地模型，服务器聚合模型权重。训练BCSS 150 epochs，SemiCOL 130 epochs。
性能评估与对比
评估联邦训练的分割性能，并与非联邦基线进行比较。
在测试集上计算Dice分数和交叉熵损失，与本地训练和集中式训练进行对比。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 联邦学习框架 | TheODen | -- | -- |
| 消息队列 | RabbitMQ | Pivotal Software, Inc. | -- |
| 模型实现 | PyTorch | -- | -- |
| 硬件 | NVIDIA GeForce RTX 4090 | NVIDIA | -- |
| Intel Core i7-13700K | Intel | -- | |
| AMD Ryzen 9 5950X | AMD | -- | |
| Kingston Fury Renegade 2280 NVMe SSD | Kingston | -- | |
| 三星870 QVO固态硬盘 | Samsung | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 联邦学习部署 | 客户端和服务器位置、网络连接方式（Gigabit或Wi-Fi）、反向代理配置 阅读提示：Methods部分中的Hardware and network configuration与Figure 1 |
| 数据集准备 | BCSS和SemiCOL数据集的原始来源、扫描分辨率、补丁大小、每个客户端的数据划分 阅读提示：Methods部分中的Datasets部分 |
| 联邦训练设置 | 客户端数量K、参与率C、本地epoch数E、总训练轮数（BCSS 150，SemiCOL 130） 阅读提示：Methods部分中的Setting for federated learning |
| 模型架构 | U-Net骨干网络（ResNet-34）及预训练权重（ImageNet） 阅读提示：Methods部分中的Model architecture |
| 性能评估 | 测试集划分、评估指标（Dice分数和交叉熵损失） 阅读提示：Methods部分中的Results与Figure 2 |