當物理學遇見隱私：用於隱私保護腦腫瘤生物力學建模的聯邦物理資訊神經網路
該研究提出了聯邦物理資訊神經網路（Federated PINNs），結合聯邦學習與線性彈性方程，在保護患者隱私的前提下對腦腫瘤進行生物力學建模。模擬三個臨床站點，僅共享模型權重，實現了91.4%的準確率，優於集中式訓練的90.0%，並顯著提高了垂體腺瘤的準確性。
來源arXiv Computer Vision作者: Mahmuda Akter Sristy, Md Al-Mahfuz Chowdhury, Momota Ahsana Meem, Sajid Ahamed, Kazi Irfan Subhan
腦腫瘤如膠質瘤、腦膜瘤和垂體腺瘤會改變腦組織的力學行為，但傳統診斷方法依賴靜態成像，無法捕捉腫瘤生長、組織位移或隨時間變化的剛度。深度學習模型通常需要將患者資料集中到一個地點，這與GDPR和HIPAA等隱私規則相沖突，且限制了跨機構的泛化能力，尤其是在神經腫瘤學中患者多樣性顯著的情況下。為應對這一挑戰，研究人員提出了一種聯邦物理資訊神經網路（Federated PINNs），將聯邦學習與基於線性彈性方程的物理資訊損失函式相結合。
該研究模擬了三個臨床站點，每個站點使用患者特定的MRI資料訓練本地網路，並透過FedAvg協議在100輪通訊中僅共享模型權重，原始資料仍保留在各自站點。實驗結果顯示，聯邦模型的整體準確率達到91.4%，高於基於集中式資料的基線模型的90.0%；平均AUC為0.985（跨腫瘤型別），其中垂體腺瘤的準確率從85.6%提升至94.5%。訓練產生的位移場平滑且無散度，符合預期的組織變形特徵。
這項研究證明了聯邦訓練可以與基於物理的約束相結合，而不會顯著損失效能，為隱私敏感的醫療應用提供了新思路。未來工作可擴充套件到更多臨床站點和真實世界資料，進一步驗證該方法的穩健性。該方法有望在保護患者隱私的同時，提升跨機構協作的腦腫瘤生物力學建模能力，從而改善診斷和手術規劃。