胼胝體（CC）是大腦中重要的白質結構，在胎兒超聲圖像中準確識別其對早期發現神經發育異常至關重要。然而，由於超聲成像固有的低對比度、散斑噪聲以及胼胝體解剖結構的顯著變異，這項任務極具挑戰性。來自多所研究機構的研究人員在arXiv上發佈了一項名為FedCC的新方法，旨在通過聯邦學習框架解決這一問題，該框架特別設計用於真實的多中心和資源受限臨牀環境，無需共享患者數據。
FedCC的核心創新在於整合了三種關鍵技術：凍結的DINOv2視覺Transformer骨幹網絡、輕量級YOLO檢測頭以及低秩適配（LoRA）模塊。DINOv2作為基礎模型提供強大的特徵提取能力，但其參數在訓練過程中保持凍結，以降低計算負擔；YOLO檢測頭負責目標定位；而LoRA模塊僅允許少量可訓練參數進行更新和客户端間交換。這種參數高效適配策略大幅減少了計算和通信開銷，使框架適合低資源環境。研究團隊在包含3個臨牀中心、58名孕婦的10,970幀超聲圖像數據集上評估了FedCC，這些圖像由不同成像設備採集，覆蓋了真實世界的異質性。
在聯邦平均（FedAvg）策略下，DINOv2與LoRA的組合取得了平均mAP@50為0.857、F1分數為0.803的成績，超越了全微調和編碼器凍結基線。值得注意的是，該方法的可訓練參數僅2.9M，相比全微調的24.4M減少了約88%，通信成本相應降低約8.5倍。這些結果標誌着在開發可擴展、保護隱私且可臨牀部署的胎兒神經超聲AI系統方面邁出了有希望的一步。FedCC不僅證明了基礎模型在醫學圖像分析中的潛力，還展示了聯邦學習在克服數據隱私和資源限制方面的價值。未來工作可能包括在更大規模數據集上的驗證以及與其他胎兒結構的聯合檢測。