医学影像分割的模型异质半监督联邦学习 背景介绍 医学图像分割在临床诊断中具有至关重要的作用，它帮助医生识别和分析病情。然而，该任务通常面临敏感数据、隐私问题及昂贵的标注费用等挑战。尽管当前研究主要聚焦于个性化协作训练医学分割系统，但忽视了获取分割标注是耗时且费力的。如何在保持本地模型个性化的同时平衡标注成本和分割性能，已成为研究的一个重要方向。因此，本研究引入了一种新颖的模型异质半监督联邦学习框架。 论文来源 这篇论文题为“Model-Heterogeneous Semi-Supervised Federated Learning for Medical Image Segmentation”，由Yuxi Ma、Jiacheng Wang、Jing Yang和Liansheng Wang共同...

利用联邦学习检测心音异常的一项多机构合作研究 学术背景 心血管疾病（Cardiovascular diseases, CVDs）已经成为主要的死亡原因之一，特别在老年人口中，心血管健康问题亟待社会关注。早期筛查、诊断和预后管理对于预防住院具有重要意义。心音信号携带丰富的生理和病理信息，通过心音进行CVDs早期诊断具有容易获取、广泛存在和非侵入性等优势。近年来，人工智能（AI）在心音辅助诊断中的应用引起了广泛关注，自动心音听诊技术有助于快速、有效地评估心脏状态。然而，现有研究在应用过程中忽略了数据安全和隐私问题，尤其是在多机构数据合作时。 研究来源 本文由Wanyong Qiu, Chen Quan等人撰写，作者分别来自北京理工大学、日本东京大学教育生理学实验室、英国帝国理工学院等知名学术机构...