本文向读者介绍一篇于2025年发表在期刊 smart health 上的原创性研究论文，标题为《Privacy-Preserving Polyp Segmentation using Federated Learning with Differential Privacy》。该研究由Md. Mahmodul Hasan（来自Bangabandhu Sheikh Mujibur Rahman Digital University）和Mohammad Motiur Rahman（来自Mawlana Bhashani Science and Technology University）共同完成。
本研究的核心领域属于医学图像分析（Medical Image Analysis）与人工智能安全隐私（AI Security and Privacy）的交叉点，具体聚焦于结直肠息肉分割（Polyp Segmentation）任务。结直肠癌是全球癌症相关死亡的第二大原因，而胃肠道息肉是其癌前病变阶段。通过结肠镜检查发现并完全切除息肉是降低结直肠癌风险的关键。然而，手动检查结肠镜图像不仅耗时耗力，且存在较高的漏检率（约17%-28%）。因此，开发计算机辅助的自动化息肉分割技术对于提升诊断准确性和效率至关重要。
尽管基于深度学习的方法，尤其是编码器-解码器架构（如U-Net及其变体）在息肉分割任务上取得了显著成效，但这些方法通常依赖于集中式训练，即需要将来自不同医疗机构的数据汇集到一处。这在现实中面临巨大障碍：患者的医疗数据具有高度敏感性，受严格的隐私法规（如HIPAA、GDPR）保护，医疗机构之间共享原始数据极其困难。这种数据孤岛现象限制了可用于训练的数据规模，从而影响了模型的泛化能力和性能。
因此，本研究旨在解决一个核心矛盾：如何在利用多源医疗数据提升息肉分割模型性能的同时，严格保护患者隐私。为此，研究者提出了一个创新的解决方案：结合联邦学习（Federated Learning， FL）与差分隐私（Differential Privacy， DP）技术，构建一个隐私保护的深度学习分割框架。
本研究构建并验证了一个完整的隐私保护息肉分割工作流程，主要包含以下几个核心环节：
1. 联邦学习框架设计： 研究采用典型的联邦学习范式。框架包含一个中央服务器和多个客户端（模拟不同医院或诊断中心）。每个客户端持有本地私有数据集，数据无需离开本地。训练过程以多轮全局更新的方式进行： * 步骤一（服务器初始化）： 服务器初始化一个全局分割模型（本研究选定为UNet 3+），并将模型参数分发给选定的客户端。 * 步骤二（客户端本地训练）： 每个收到模型的客户端使用本地数据进行训练，更新模型参数。为了增强隐私保护，本地训练引入了差分隐私机制（具体为DP-ADAM优化器），即在计算梯度时进行裁剪并添加校准过的高斯噪声。训练完成后，客户端将更新后的模型参数（而非原始数据）加密发送回服务器。 * 步骤三（服务器端模型聚合）： 服务器收集来自各客户端的模型更新，采用一种聚合策略将它们融合成一个新的、改进的全局模型。本研究并非使用简单的平均策略（FedAvg），而是探索并最终采用了自适应优化器Fedyogi作为聚合策略。Fedyogi通过维护历史更新动量，能够更稳定、高效地整合来自非独立同分布（Non-IID）数据客户端的更新，从而提升全局模型的收敛性和性能。 * 步骤四（模型分发与迭代）： 服务器将聚合后的新全局模型分发给客户端，开始下一轮训练。此过程重复进行，直至模型收敛。
2. 核心模型与算法： * 分割模型选择： 研究对比了三种基于U形编码器-解码器的分割架构：UNet、UNet++和UNet 3+。通过实验分析，UNet 3+因其全尺度跳跃连接（Full-scale Skip Connections）、深度监督（Deep Supervision）和分类引导分割等特性，在复杂息肉特征捕获上表现最佳，因此被选为本研究的基准分割模型。 * 隐私保护算法： 在客户端本地训练中，集成了差分隐私技术。其核心是(ε, δ)-DP的严格数学定义，确保攻击者即使拥有除单个数据点外完全相同的两个数据集，也无法从模型的输出中区分它们。具体实现是通过DP-SGD（随机梯度下降）的变体DP-ADAM，在梯度更新前进行裁剪和加噪，噪声量由隐私预算ε控制。ε值越小，隐私保护强度越高，但添加到模型中的噪声也越大，可能影响模型精度。
3. 实验设计与数据处理： * 数据集： 研究使用了四个公开的息肉分割数据集来模拟多中心场景，分别为：CVC-ClinicDB (DB1， 612张图像)、ETIS-LaribPolypDB (DB2， 196张图像)、Kvasir-SEG (DB3， 1000张图像) 和 BKAI-IGH Neopolyp (DB4， 1200张图像)。这些数据集在息肉大小、形状、纹理上具有多样性，为评估模型泛化能力提供了良好基础。 * 数据划分与客户端模拟： 为了探究不同数据分布对联邦学习的影响，研究者设计了三种客户端配置方案：(1) 4客户端：每个客户端完整拥有一个数据集；(2) 8客户端：每个数据集被均匀分给两个客户端；(3) 12客户端：每个数据集被均匀分给三个客户端。这种设计旨在模拟现实中不同医疗机构数据量不均等的情况。 * 实验变量与评估： 研究进行了系统的消融实验，变量包括：客户端数量（4， 8， 12）、服务器聚合策略（FedAvg， FedAdam， Fedyogi）、分割模型架构（UNet， UNet++， UNet 3+）以及差分隐私预算ε（2， 6， 8， 10）。此外，还进行了五折交叉验证以评估模型鲁棒性，并使用了数据增强技术（旋转、缩放、翻转等）来提升模型性能。 * 性能指标： 采用交并比（Intersection over Union， IoU）作为主要评估指标，同时辅以精确度（Precision）、召回率（Recall）和Dice相似系数（DSC）进行综合定量分析。
4. 数据分析流程： * 定量分析： 记录并比较不同实验配置下，各客户端模型在本地测试集上的性能指标（IoU， Precision， Recall， DSC），计算平均值和标准差。通过热图、折线图（展示训练轮次与IoU的关系）和表格清晰呈现结果。 * 定性分析： 可视化展示原始结肠镜图像、真实分割掩码（Ground Truth）、以及不同方法（如无DP的FL、有DP的FL不同模型）生成的分割结果，直观对比分割边界的准确性和完整性。 * 统计分析： 对五折交叉验证的结果进行t检验，计算p值，以判断性能提升是否具有统计学显著性。 * 计算效率分析： 记录了不同客户端数量下联邦学习系统的训练时间，以及模型在客户端设备上的平均推理时间，评估方法的实际可行性。
本研究的实验结果全面且具有说服力，主要发现如下：
1. 客户端数量与数据分布的影响： 实验表明，将数据集分散到更多客户端（从4个增至12个）进行联邦训练，通常能带来整体性能的提升或稳定。例如，DB2数据集在4客户端设置下平均IoU为0.76281，在12客户端设置下提升至0.83146。这说明即使单个客户端数据量减少，联邦学习通过聚合多源异构数据的知识，能够训练出更具泛化能力的全局模型。不过，数据量最小且多样性高的DB2数据集（ETIS-Larib）性能始终相对较低，提示小样本和高变异性的数据集仍是挑战。
2. 服务器聚合策略与模型架构的优选： 在对比了FedAvg、FedAdam和Fedyogi三种聚合策略后，Fedyogi与UNet 3+的组合取得了最佳性能。Fedyogi作为一种自适应聚合器，能更好地处理联邦学习中客户端的异质性，实现更稳定、更快的收敛。如图5所示，Fedyogi策略下的训练曲线收敛更平稳，最终IoU值更高。
3. 差分隐私的效能与权衡： 这是研究的核心贡献之一。如表4所示，在固定使用Fedyogi-UNet 3+配置下，考察不同隐私预算ε的影响： * 当ε=10（较低隐私保护强度）时，模型取得了最佳性能，平均IoU达到0.90881 ± 0.00355，各项指标均接近或超过非隐私保护的传统集中式训练。 * 随着ε值降低（隐私保护增强），模型性能出现下降。当ε=2（高隐私保护强度）时，平均IoU降至0.73417 ± 0.00375。 这一结果清晰地展示了 “隐私-效用”权衡（Privacy-Utility Trade-off）。更高的隐私保护意味着需要在模型更新中添加更多噪声，这必然会一定程度上损害模型精度。研究通过实验确定了ε=10作为一个在可接受的性能损失下提供有意义隐私保护的折中点。
4. 整体性能与对比分析： 在最优配置（Fedyogi， UNet 3+， ε=10， 12客户端，使用数据增强）下，本方法在四个数据集上取得了优异的平均分割精度。与仅在单个数据集上训练的局部模型相比，联邦学习模型性能有显著提升（见表7）。与假设数据可集中使用的“中心化差分隐私”方法相比，联邦差分隐私方法的性能略低，但其完全避免了原始数据的传输，提供了更彻底的隐私保护范式，在实际医疗场景中更具可行性和吸引力。
5. 计算可行性： 在配备GTX 1070 Ti显卡的硬件上，12客户端的联邦训练耗时约7.5小时（42轮全局更新），单张图像推理时间平均约1.32秒。这表明该方法在现有算力下具有实际部署的潜力。
本研究成功开发并验证了一个基于 联邦学习与差分隐私的隐私保护息肉分割框架。核心结论是：通过结合Fedyogi聚合策略、UNet 3+分割架构和差分隐私技术，可以在不共享任何原始患者数据的前提下，有效利用分散在多机构的数据训练出高性能的息肉自动分割模型。
科学价值： 1. 方法论创新： 本研究首次将联邦学习与差分隐私系统性地应用于息肉分割任务，为解决医学人工智能领域的“数据隐私与数据利用”矛盾提供了一个切实可行的技术范例。 2. 深入分析： 研究不仅提出了方法，还通过详尽的实验分析了联邦学习中客户端数量、数据分布、聚合策略、模型架构、隐私预算等多个关键因素对最终性能的影响，为后续相关研究提供了宝贵的经验和基线。 3. 推动领域发展： 它证明了在严格隐私约束下进行协同医学图像分析的可行性，为构建跨机构的、合规的医疗AI协作生态提供了技术支撑。
应用价值： 1. 临床辅助诊断： 开发的系统可以帮助胃肠病学家更快速、更准确地定位和分割结肠镜图像中的息肉，有望降低漏诊率，提高早期结直肠癌的检出效率。 2. 促进数据协作： 使得各家医院能够在保护患者隐私的前提下“贡献数据智慧”，共同训练更强大、更通用的AI模型，而无需担忧数据泄露风险。 3. 符合法规要求： 方案设计天然符合全球日益严格的数据保护法规，有助于医疗机构合规地部署和应用AI技术。
ε，量化展示了隐私保护强度与模型精度之间的具体权衡关系，为实际应用中的参数选择提供了明确指导。论文在讨论部分还坦诚指出了本研究的局限性及未来方向： * 数据集限制： 使用的公开数据集虽然多样，但规模和复杂性可能仍无法完全代表真实世界临床环境中海量、高度异构的数据。 * 安全性的延伸： 研究主要防御的是从共享模型参数中推断原始数据的攻击。作者指出，联邦学习系统还可能面临投毒攻击（Poisoning Attacks）等其它安全威胁，未来需要集成更全面的防御机制。 * 工程与伦理挑战： 实际部署还需解决系统异构性、网络延迟、获取患者知情同意、确保算法公平性等跨学科问题。 * 未来工作： 需要在更大规模、多机构的真实临床数据上进行验证，并探索自适应噪声缩放、混合隐私方法等技术，以进一步优化隐私与性能的权衡。
这项研究为医学图像分析领域引入了一个兼顾高性能与高隐私保护的创新框架，代表了迈向可信、合规的医疗人工智能的重要一步。