結直腸癌是全球最常見的癌症之一，早期發現和切除息肉可以有效降低死亡率。自動息肉分割作為計算機輔助診斷的核心技術，能夠幫助醫生快速定位病變區域。然而，構建高效能的分割模型通常需要來自多家醫院的大規模標註資料，而醫療資料的高度敏感性使得集中式訓練面臨嚴重的隱私合規挑戰。聯邦學習提供了在保護資料隱私的前提下進行協作訓練的解決方案，但反覆交換全精度模型引數的通訊開銷成為部署瓶頸。針對這一痛點，研究團隊提出了QFedPolyp——一種通訊與推理高效的聯邦學習框架。
QFedPolyp的核心思想是結合量化感知訓練（QAT）與低精度通訊。在訓練階段，每家醫院在本地使用輕量級U-Net架構，並引入QAT技術，使模型在訓練過程中學習適應量化噪聲。具體而言，在前向傳播中模擬權重量化，而在反向傳播中仍使用全精度梯度，從而保證模型在量化後的效能。訓練完成後，客戶端將量化後的8位精度引數傳送至中央伺服器，伺服器使用聯邦平均演算法進行聚合，並將更新後的全域性模型分發給各客戶端。這種方案將通訊資料量減少了約4倍，同時保持模型精度幾乎不變。實驗在四個息肉分割資料集上驗證了其有效性：在Kvasir-SEG和CVC-ClinicVideoDB上，全精度聯邦訓練的Dice係數分別達到0.910和0.930，而8位量化版本僅損失不到0.5%的精度。此外，量化後的模型由於權重以低精度儲存，推理時計算複雜度降低，推理速度提升高達1.5倍，這對即時臨床場景至關重要。
QFedPolyp的提出不僅解決了聯邦學習在醫療影像分析中的通訊效率問題，還透過量化加速了推理過程，使得輕量級模型能夠在邊緣裝置上快速部署。這項研究發表於arXiv，作者為Madan Baduwal等人。未來，該框架有望擴充套件到其他醫學影像分割任務，並進一步最佳化量化策略以平衡精度與效率。總體而言，QFedPolyp為隱私保護的協作醫療AI提供了一條切實可行的路徑，具有重要的臨床應用價值。