跳转到主要内容

#联邦学习

3 篇

与"联邦学习"相关的眼科资讯

学术研究

FedMediFormer-XAI：面向糖尿病的联邦多模态AI框架

该研究提出FedMediFormer-XAI框架，整合联邦学习、多模态Transformer、扩散模型数据增强、图神经网络（GNN）药物推荐和可解释AI（XAI），用于糖尿病预测与个性化用药推荐。系统融合临床记录、眼底图像、动态血糖监测、可穿戴设备数据等多源异构信息。在代表性实现中，疾病预测准确率达94.2%，AUC-ROC为0.96；药物推荐模块NDCG达0.91。

#人工智能#糖尿病视网膜病变#联邦学习
PubMed Ophthalmology
学术研究

动态聚合联邦学习用于视网膜静脉阻塞检测

研究提出一种新型联邦学习框架，用于在多家医疗机构间协同训练视网膜静脉阻塞（RVO）AI检测模型。该框架在服务器端根据数据分布特征，自动选择FedAvg或SCAFFOLD算法进行模型聚合，通过监测通信轮次间的归一化L2散度实现动态切换。实验在模拟的5个客户端、二分类RVO数据集上验证，覆盖IID与非IID两种数据分布场景。

#联邦学习#视网膜静脉阻塞#AI辅助诊断
PubMed Ophthalmology
学术研究

联邦学习框架提升糖尿病视网膜病变筛查隐私性与可解释性

研究提出一种隐私保护型联邦混合专家（FL-MoE）深度学习框架，用于跨机构糖尿病视网膜病变（DR）分级。该框架结合可解释AI技术，在EyePACS和APTOS-2019数据集上测试了CNN、CNN-LSTM及ViT等多种主干网络。结果显示，CNN-LSTM在准确率（76.2%）、AUC（89.5%）和通信成本（比ViT低一个数量级）方面表现最优，且对数据异质性鲁棒性强，Grad-CAM可视化能粗略定位DR相关视网膜区域。

#人工智能#糖尿病视网膜病变#联邦学习
PubMed Ophthalmology