当物理学遇见隐私：用于隐私保护脑肿瘤生物力学建模的联邦物理信息神经网络
该研究提出了联邦物理信息神经网络（Federated PINNs），结合联邦学习与线性弹性方程，在保护患者隐私的前提下对脑肿瘤进行生物力学建模。模拟三个临床站点，仅共享模型权重，实现了91.4%的准确率，优于集中式训练的90.0%，并显著提高了垂体腺瘤的准确性。
来源arXiv Computer Vision作者: Mahmuda Akter Sristy, Md Al-Mahfuz Chowdhury, Momota Ahsana Meem, Sajid Ahamed, Kazi Irfan Subhan
脑肿瘤如胶质瘤、脑膜瘤和垂体腺瘤会改变脑组织的力学行为，但传统诊断方法依赖静态成像，无法捕捉肿瘤生长、组织位移或随时间变化的刚度。深度学习模型通常需要将患者数据集中到一个地点，这与GDPR和HIPAA等隐私规则相冲突，且限制了跨机构的泛化能力，尤其是在神经肿瘤学中患者多样性显著的情况下。为应对这一挑战，研究人员提出了一种联邦物理信息神经网络（Federated PINNs），将联邦学习与基于线性弹性方程的物理信息损失函数相结合。
该研究模拟了三个临床站点，每个站点使用患者特定的MRI数据训练本地网络，并通过FedAvg协议在100轮通信中仅共享模型权重，原始数据仍保留在各自站点。实验结果显示，联邦模型的整体准确率达到91.4%，高于基于集中式数据的基线模型的90.0%；平均AUC为0.985（跨肿瘤类型），其中垂体腺瘤的准确率从85.6%提升至94.5%。训练产生的位移场平滑且无散度，符合预期的组织变形特征。
这项研究证明了联邦训练可以与基于物理的约束相结合，而不会显著损失性能，为隐私敏感的医疗应用提供了新思路。未来工作可扩展到更多临床站点和真实世界数据，进一步验证该方法的稳健性。该方法有望在保护患者隐私的同时，提升跨机构协作的脑肿瘤生物力学建模能力，从而改善诊断和手术规划。