[发明专利]多中心基于联邦学习的脑肿瘤预后生存期预测方法及系统

权利要求书

1.一种多中心基于联邦学习的脑肿瘤预后生存期预测方法，其特征在于，包括以下步骤：

步骤S1：构建基于多中心联邦学习的客户端-服务器体系结构的联邦学习模型；所述联邦学习模型基于主动学习策略来最小化所有设备的总损失；

步骤S2：在各客户端本地，采集脑肿瘤的原始医学图像，并对采集的图像做统一化和去隐私化处理，获得脑肿瘤医学肿瘤影像数据和历史肿瘤数据；

步骤S3：建立脑肿瘤医学肿瘤多模态影像数据库，并通过神经网络算法建立脑肿瘤分割模型，取脑肿瘤医学肿瘤多模态影像数据库中一个脑肿瘤医学图像样本，提取脑肿瘤医学图像样本中的脑肿瘤特征；

步骤S4：对步骤S3中提取的脑肿瘤特征进行分析，从提取的特征中选择最有用的预测特征，选定预测特征的线性组合计算患者的放射组学评分；

重复步骤S2至步骤S4的执行，直到形成训练集；

步骤S5：根据所述训练集，结合机器学习模型最终生成最终生存期的三分类模型，为患者脑肿瘤预后生存期进行分类预测。

2.根据权利要求1所述的多中心基于联邦学习的脑肿瘤预后生存期预测方法，其特征在于：联邦学习模型包括客户端模型训练、服务器模型聚合以及客户端隐私保护模块。

3.根据权利要求1所述的多中心基于联邦学习的脑肿瘤预后生存期预测方法，其特征在于：所述步骤S1中，第i个客户端使用相同的深度网络模型作为底层联邦模型M_i，M_i是由权重W_i参数化的模型，与第i个客户端对应的本地私有脑肿瘤数据训练集D_i＝{X_i，Y_i}，X_i表示第i个客户端的样本特征，Y_i表示第i个客户端的样本标签，第i个客户端有的数据样本m⁽ⁱ⁾，服从数据分布p⁽ⁱ⁾，该数据分布是该客户端上样本{X_i，Y_i}的联合分布，本地模型训练过程可表示为：

式中，W_i′表示第i个客户端经训练后得到的最优本地模型权重，表示使损失函数L()最小化时的模型权重W_i，L()表示需要最小化的损失函数，arg min·表示使目标函数·取最小值时的变量值，模型训练过程中将各本地模型分成K个簇，第k个簇对应的中心模型为

4.根据权利要求1所述的多中心基于联邦学习的脑肿瘤预后生存期预测方法，其特征在于：所述步骤S1中，全局联邦学习目标是最小化全局模型和具体模型之间的距离，损失函数使用多中心基于距离的联邦损失，定义为：

式中，L表示需要最小化的损失函数，m表示客户端的总个数，表示每个簇对应的中心模型参数，其中Dist()函数用于度量本地模型参数W_i与服务器模型参数之间的相似性，距离度量函数使用：||·||₂表示L2范数。

5.根据权利要求4所述的多中心基于联邦学习的脑肿瘤预后生存期预测方法，其特征在于：多中心基于距离的联邦损失在优化过程中具有动态变化的W_i，增加更新W_i步骤，具体包括：

步骤S1.1：用固定W_i更新簇分配变量；

步骤S1.2：更新簇中心

步骤S1.3：通过提供新的初始化更新局部模型。

6.根据权利要求1所述的多中心基于联邦学习的脑肿瘤预后生存期预测方法，其特征在于：所述步骤1中主动学习的基本目标是从本地客户端上新增的未标记脑肿瘤多模态MRI图像池中获取和标记培训样本；客户端隐私保护模块通过将客户端设计为享有要共享数据的完全控制权，本地训练的数据不离开客户端。

7.根据权利要求1所述的多中心基于联邦学习的脑肿瘤预后生存期预测方法，其特征在于：所述步骤1中服务器分发一个全局模型，并在每一次联合轮次中从所有的客户端接收同步更新。