連合学習（FL）は、クライアント間でモデル更新を集約することで、生データを共有せずに分散学習を可能にします。分割連合学習（SplitFed）は、モデルをクライアントとサーバーに分割することで、クライアント側の計算負荷と通信コストをさらに削減します。しかし、医療機関は通常、単一の共有タスクを実行するわけではなく、標準的なFLやSplitFedは実際の臨床ワークフローに適合しにくいという課題があります。マルチタスクFLでは、クライアントごとに異なるタスクを扱えるように拡張されますが、訓練の不安定性やプライバシーの脆弱性が生じることが多いです。
本研究で提案されたMuCALD-SplitFedは、因果表現学習と潜在拡散モデルを統合したマルチタスク分割連合学習フレームワークです。因果表現学習はタスクに依存しない因果的に頑健な特徴を抽出し、潜在拡散モデルは生成モデルによって表現の多様性とプライバシーを強化します。具体的には、分割点で因果潜在拡散プロセスを導入することで、異なるタスクの表現を潜在空間で整列させ、マルチタスクの協調学習を促進します。拡散過程におけるノイズ注入により、中間表現から元の画像を再構成したり、メンバーシップを推測する攻撃を効果的に防ぎます。
実験は、網膜血管、心臓、肺などの複数の医療画像セグメンテーションデータセットで実施されました。ベースラインのSplitFedはタスクの競合により収束しなかったのに対し、MuCALD-SplitFedは安定して収束し、セグメンテーション性能を一貫して向上させ、集中学習と同等の結果を達成しました。プライバシー評価では、再構成攻撃とメンバーシップ推論攻撃の成功率が大幅に低下し、優れたプライバシー保護が確認されました。さらに、最先端の個人化FLやマルチタスクFLと比較して、Dice係数やHausdorff距離などの指標で最高の性能を示しました。本研究成果はIEEE ICIP 2026で口頭発表され、コードはGitHubで公開されています。