QFedPolyp：一种通信与推理高效的联邦学习框架用于息肉分割

结直肠癌是全球最常见的癌症之一，早期发现和切除息肉可以有效降低死亡率。自动息肉分割作为计算机辅助诊断的核心技术，能够帮助医生快速定位病变区域。然而，构建高性能的分割模型通常需要来自多家医院的大规模标注数据，而医疗数据的高度敏感性使得集中式训练面临严重的隐私合规挑战。联邦学习提供了在保护数据隐私的前提下进行协作训练的解决方案，但反复交换全精度模型参数的通信开销成为部署瓶颈。针对这一痛点，研究团队提出了QFedPolyp——一种通信与推理高效的联邦学习框架。

QFedPolyp的核心思想是结合量化感知训练（QAT）与低精度通信。在训练阶段，每家医院在本地使用轻量级U-Net架构，并引入QAT技术，使模型在训练过程中学习适应量化噪声。具体而言，在前向传播中模拟权重量化，而在反向传播中仍使用全精度梯度，从而保证模型在量化后的性能。训练完成后，客户端将量化后的8位精度参数发送至中央服务器，服务器使用联邦平均算法进行聚合，并将更新后的全局模型分发给各客户端。这种方案将通信数据量减少了约4倍，同时保持模型精度几乎不变。实验在四个息肉分割数据集上验证了其有效性：在Kvasir-SEG和CVC-ClinicVideoDB上，全精度联邦训练的Dice系数分别达到0.910和0.930，而8位量化版本仅损失不到0.5%的精度。此外，量化后的模型由于权重以低精度存储，推理时计算复杂度降低，推理速度提升高达1.5倍，这对实时临床场景至关重要。

QFedPolyp的提出不仅解决了联邦学习在医疗图像分析中的通信效率问题，还通过量化加速了推理过程，使得轻量级模型能够在边缘设备上快速部署。这项研究发表于arXiv，作者为Madan Baduwal等人。未来，该框架有望扩展到其他医学图像分割任务，并进一步优化量化策略以平衡精度与效率。总体而言，QFedPolyp为隐私保护的协作医疗AI提供了一条切实可行的路径，具有重要的临床应用价值。