CN113571203A

CN113571203A - 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

Info

Publication number: CN113571203A
Application number: CN202110813710.6A
Authority: CN
Inventors: 于泽宽; 耿道颖; 项睿; 刘晓; 李郁欣; 陈卫强; 李强; 尹波; 张军; 杜鹏
Original assignee: Huashan Hospital of Fudan University
Current assignee: Huashan Hospital of Fudan University
Priority date: 2021-07-19
Filing date: 2021-07-19
Publication date: 2021-10-29
Anticipated expiration: 2041-07-19
Also published as: CN113571203B

Abstract

本发明提供了一种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，利用多中心的多模态脑肿瘤影像及其组学信息，患者临床病历信息等多尺度信息进行脑肿瘤预后生存期预测，提出了一种基于主动学习与强化学习的多中心联邦学习机制。本发明通过各中心分布式存储的患者电子病历信息联合影像组学特征与深度学习特征建立全面的脑肿瘤预后生存期分类模型，在保证患者图像数据隐私的基础上实现可靠的、准确度更高的脑肿瘤预后生存期预测系统。

Description

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

技术领域

本发明涉及医学图像辅助诊断领域，具体地，涉及一种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。

背景技术

脑肿瘤是人体常见的肿瘤，我国脑肿瘤的患病率约为32/10万，占全身肿瘤发病率的6.31％，包括胶质瘤、淋巴瘤和转移瘤等。在医疗数字化时代，根据肿瘤临床诊疗需求，利用脑肿瘤多模态核磁共振影像技术从多模态MRI扫描中准确分割脑肿瘤的不同亚区，如水肿区、坏死核心、增强和非增强的肿瘤核心，对脑瘤的诊断、预后和治疗具有重要的临床意义。现阶段，影像科医生主要依照个人知识和经验对检查结果中脑肿瘤的进行主观、定性的分级诊断，而且诊断的结果意见也都是包含简单的量化信息，不能描述出全面的脑肿瘤信息，这不利于医生制定治疗方案。脑肿瘤患者肿瘤复发的准确识别对于选择治疗策略至关重要，早期准确的术后肿瘤复发预测可以为确定辅助治疗提供有价值的信息。脑肿瘤的预后通常以总生存期(Overall Survival,OS)来衡量，而OS在很大程度上因人而异。因此，及时准确地预测脑瘤患者的OS时间具有重要的临床意义，并有利于个体化的治疗护理。

在医疗图像分析领域，由于患者医疗数据的高度敏感性，数据仅保存在各医院本地，研究人员遇到数据碎片化和数据孤岛问题，所以原始数据完全不会离开拥有者的本地设备，而联邦学习框架则成了数据敏感场景下进行模型训练较好的选择之一。基于医疗联邦学习框架，能够在保证不同医疗机构数据隐私的基础上共同学习建模并更新参数，可以有效改善共享模型的性能，从而解决医疗行业数据安全与隐私保护难题，缓解医疗资源不均衡问题。

但是，现有的联邦学习方法通常采用单一的全局模型，仅通过聚合各个客户端模型参数来获取所有用户的共享知识，而不考虑不同中心的数据分布之间的差异。由于用户行为的多样性，将本地模型的梯度分配给不同的全局模型可以更好地捕获数据分布的异构性。主动学习是一种新型学习策略，它允许学习算法以交互方式查询信息源，以选择和标记新的训练样本，同时通过在一个非常小的人工标注数据集上训练的模型，从大量未标注样本中自动标注训练样本，从而简化标注过程，为选择对模型更有意义的高质量样本提供了一种的解决方案。

在公开号为CN110444263A的专利文献中，公开了一种基于联邦学习的疾病数据处理方法、装置、设备及介质，所述方法包括：获取本地数据库中已确诊病患的电子健康记录和所患疾病数据；对所述电子健康记录进行特征提取，得到各病患的患病特征向量；根据各病患的所述患病特征向量和所述所患疾病数据构建本地训练样本集；基于所述本地训练样本集参与各医院数据端的联邦学习，得到患病预测模型。本发明通过将各医院端的数据联合起来，进行联邦训练，在不泄露医院端病患隐私的基础上，能够训练出优质的患病预测模型，从而在医生的诊断过程发挥积极的辅助作用。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种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。

根据本发明提供的一种多中心基于联邦学习的脑肿瘤预后生存期预测方法，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；

步骤S5：重复步骤S2至步骤S4,形成训练集，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。

优选的，所述步骤S1中的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。

优选的，所述步骤S1中，不同的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，本地私有脑肿瘤数据训练集D_i＝{X_i,Y_i}，第i个客户端有m⁽ⁱ⁾的数据样本，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：

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，L()表示需要最小化的损失函数，arg min f(x)表示使目标函数f(x)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，每个簇对应的中心模型为

优选的，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(Multi-center DF-Loss)，定义为：

式中，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。

优选的，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。

优选的，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。

优选的，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。

优选的，所述步骤1中当有多个客户端本地数据样本更新时，采用深度强化学习问题构建马尔科夫决策过程进行全局模型的参数更新。

优选的，所述步骤S4中，通过最小绝对收缩和选择算子LASSO方法进行特征选择预测特征，LASSO回归是以缩小变量集为思想的压缩估计方法，LASSO的公式为：

其中ψ是特征系数向量，ψ^T是系数向量的转置，f_i是特征，y_i是标签，λ是L1正则化项||ψ||₁的系数，用于控制模型复杂度，λ越大则模型惩罚力度越大，留下的特征越少。

与现有技术相比，本发明具有如下的有益效果：

1、利用影像组学方法开展了基于多模态多尺度MRI的脑肿瘤无损检测，采用深度学习方法建立模型并识别提取肿瘤区域的图像特征，使得模型能够适应图像噪声，相较于传统统计学习的方法，提升了准确率。

2、本发明基于C-S架构构建多中心的联邦学习模型，利用各中心已标注的脑肿瘤多模态MRI图像数据联合建立肿瘤区域的自动分割模型提取深度学习特征，通过各中心分布式存储的患者电子病历信息联合影像组学特征与深度学习特征建立全面的脑肿瘤预后生存期分类模型，在保证患者图像数据隐私的基础上实现可靠的、准确度更高的脑肿瘤预后生存期预测系统。

3、本发明的多中心联邦学习框架更新多个全局模型来聚集来自多个中心的数据，同一中心的患者脑肿瘤数据集是从相似的分布中有序生成的。将多中心联邦学习问题描述为联邦优化用户聚类和每个聚类的全局模型，使得每个用户的局部模型被分配到其最近的全局模型，每个全局模型对关联聚类中所有用户的损失最小。提出的多中心联邦学习不仅提高了联邦随机梯度下降的通信效率，而且保持了系统上处理异构的非独立同分布数据集的能力。

4、本发明所提出的主动学习方法探索了在联邦学习中自动标记训练样本的利用每个本地设备上可用的未标记数据来构建全局模型，通过在不涉及手动标注的情况下运用在联邦学习中，挑选对模型更有价值的样本，同时还能够结合病人病历数据作为评估受试者预后风险评估的特征，进行集成学习的脑肿瘤预后生存期预测，在现有技术中居于领先地位。

5、本发明的预测模型，采用深度强化学习的参数更新，能够不断自我迭代、优化，从而使得预测正确率、计算速率不断提升。同时面对获取成本高周期长的患者预后生存期数据做出及时的更新预测，也能够有效帮助到临床医师对患者情况进行精准康复个性化治疗。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明实施例一种多中心的基于联邦学习的脑肿瘤预后生存期预测方法的流程框图；

图2为本发明实施例中多中心联邦学习的客户端-服务器体系结构示意图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

一种多中心的基于联邦学习的脑肿瘤预后生存期预测方法，参照图1，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(如2所示)的联邦学习模型。来自一个客户端的数据不足以训练出性能良好的神经网络，因此，设计了一个基于主动学习策略的联邦学习框架来最小化所有设备的总损失。在这种配置中，集中式服务器维护一个全局深度学习模型并协调客户端的随机梯度下降更新参数。主要包括客户端模型训练过程、服务器端模型聚合过程以及部署在客户端的隐私保护模块。同时，在当涉及客户端本地数据样本更新时，采用深度强化学习方法进行全局模型的参数更新。

①不同的N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，本地私有脑肿瘤数据训练集D_i＝{X_i,Y_i}，

第i个客户端有m⁽ⁱ⁾的数据样本，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：

②全局联邦学习目标是最小化全局模型和局部模型之间的距离，损失函数使用多中心基于距离的联邦损失(Multi-center DF-Loss)，定义为：

其中，m表示客户端的总个数，

表示每个簇对应的中心模型参数，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。

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。因此，在框架中增加一个步骤，即更新W_i。主要包括：1)用固定W_i更新簇分配变量，2)更新簇中心

3)通过提供新的初始化

更新局部模型。在每个迭代的联邦轮次t中，通过从服务器读取全局模型参数

来初始化本地模型，并通过运行随机梯度下降的多个迭代来更新W_i。在固定的迭代次数之后，各簇中心模型差分后的

与聚合服务器共享。

随机梯度下降更新是在每一个联邦轮次t中，随机选择i个客户端从聚合服务器上下载当前簇中心的全局联邦模型权重

过程可如下表示为：

其中，W_i ^(t)表示联邦轮次t中的本地模型参数，C表示样本标签个数，η为学习率，

为模型权重

的梯度，

表示联邦轮次t-1时的全局联邦模型权重，l(w)＝E_x|y＝i[logf_i(x,w)]为交叉熵损失函数，f_j为预测属于样本属于j类的概率。

③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。为此，使用基于pool的主动学习方法，其中模型用于从未标记样本池中拾取和注释训练样本。主要采用基于池的方法，使用不确定度抽样的策略，允许模型基于不确定性来判断从池中抽取样本的有用性。抽样策略使用熵抽样方法，选择熵最大的样本，定义为：

其中P(y|x)表示x属于y的后验概率，Y表示所有的样本标签集合，U和y分别表示不确定性度量和输出。模型在每次主动学习的迭代过程里都从池中获取最相关的样本，作为第一步，模型在已标记训练集上接受训练，然后使用数据集预测未标记脑肿瘤图像池中样本的总生存期标签，并根据基本采样和不一致策略中定义的标准将它们添加到已标记数据集中，在达到最大迭代次数N后停止。

④客户端的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，本地训练的数据从不离开客户端的设备。同时通过使用强大的差分隐私保证，可以进一步改进选择性参数共享。

⑤服务器分发一个全局模型，并在每一次联合轮次中从所有客户端接收同步更新。不同的客户端在第t轮可能有不同的局部迭代次数，因此来自客户端的贡献可以是不同训练速度下随机梯度更新。在部分模型共享的情况下，利用

的稀疏特性来减少通信开销留待以后的工作。

⑥当有K个客户端本地数据样本更新时，采用深度强化学习(deep reinforcementlearning，DRL)问题构建马尔科夫决策过程(Markov Decision Process,MDP)进行全局模型的参数更新。状态S由全局模型权重和每轮中每个客户端设备的模型权重表示。给定一个状态，DRL agent采取一个动作A来选择一个进行局部训练的设备子集并更新各个簇中心的全局模型。然后可以得到一个奖励信号R，它是全局模型到目前为止在验证集上所达到的测试准确度函数。DRL的目标是训练DRL agent尽快收敛到联邦学习的目标准确度。

其中第t轮的状态(State)为：

其中，

表示轮次t后簇中心全局模型的权重。

分别为N个客户端的模型权重。agent与FL中央服务器对接，并维护一个模型权重的列表。只有当客户端i被选中在某轮次中权重W_i ^(t)才会更新，并将结果

发送至中央服务器。因此，并没有为设备引入额外的通信开销。

奖励(Reward)：设定每轮结束时观察到的奖励为

其中

表示k个簇中心的全局模型在第t轮之后的测试准确度，ω为目标准确度，ξ表示正常量以保证r_t指数级逼近测试准确度

当

联邦学习过程停止。根据下式，训练agent能够最大限度地提高累积奖励的期望值：

其中γ∈(0,1],ξ∈(0,1]，都是是累积奖励的影响因子，R表示累积奖励，T表示总轮次，γ^t-1表示第t-1轮次奖励的影响因子。

动作(Action)为：在每一轮t开始时，agent需要决定从N个客户端中选择K个客户端的哪个子集，agent通过神经网络学习最优动作值函数Q*(s_t,a)的近似得出，其中动作值函数用来估计从状态s_t的期望收益，表示为：

其中γ^k-1r_t+k-1为表示第k个设备第t轮的最大奖励。

即为从s_t开始估计能够保证期望收益最大化的行动，由此可以降低动作空间。一旦深度网络被训练成近似Q*(s_t,a)，在测试过程中，第t轮agent将为所有N个动作计算：{Q*(s_T,a)|a∈[N]}。每个动作值表示agent在状态s_T选择特定动作a所能获得的最大预期收益。然后选择K个客户端，每个客户端对应一个不同的动作a，以得到K个值Q*(s_T,a)。

步骤S2：在各医疗中心的客户端本地，通过多种磁共振成像方法采集脑肿瘤的原始医学图像，并对采集的原始医学图像进行图像格式、大小的统一化和数据的去隐私化处理，获得脑肿瘤医学肿瘤影像数据和历史肿瘤数据；

其中，影像数据中所涉及的磁共振成像方法包括T1加权成像、T2加权成像、液体衰减反转恢复(FLAIR)成像或增强后的T1加权成像的组合。

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，同时从脑肿瘤医学肿瘤影像数据库选取其中一个脑肿瘤医学图像样本，根据医生描绘选定脑肿瘤医学图像样本中的感兴趣区(ROI)，并将感兴趣的区域划分为很多的基本单元，计算基本单元周围相邻区域的特征并提取其中的脑肿瘤特征，脑肿瘤特征包括一阶、形状、纹理及小波特征；

步骤S4：针对步骤S3中所提取的脑肿瘤影像组学特征进行分析，通过最小绝对收缩和选择算子(LASSO)方法进行特征选择，从提取特征中选择最有用的预测特征，选定特征的线性组合计算每个患者的放射组学评分(rad评分)，这些特征由各自的回归系数加权。

其中，LASSO回归是以缩小变量集(降阶)为思想的压缩估计方法。它通过构造一个惩罚函数，可以将变量的系数进行压缩并使某些回归系数变为0，进而达到变量选择的目的。其公式为：

其中ψ是特征系数向量，ψ^t是系数向量的转置，其中ω是特征系数，f_i是特征，y_i是标签，λ是L1正则化项||ψ||₁的系数，用于控制模型复杂度，λ越大则模型惩罚力度就越大，留下的特征就越少。

步骤S5：重复步骤S2至步骤S4，从而形成训练集，根据训练集使用步骤S2中得到的预测模型进行预测模型训练，结合机器学习模型最终生成最终生存期的三分类模型，该预测模型可以把脑肿瘤医学肿瘤影像数据结合患者临床病历信息作为评估受试者患病风险评估的特征，进行脑肿瘤患者的生存期预测。

下面对本发明做进一步说明。

一种多中心的基于联邦学习的脑肿瘤预后生存期预测方法，包括以下步骤：

步骤一：各客户端本地脑肿瘤多靶点多模态MRI数据(包括：T1、T1C、T2、Flair、PWI和ADC)预处理，通过数据脱敏、重采样和颅骨剥离等预处理方法获得分辨率统一、灰度分布大致相同的脑肿瘤多模态MRI数据为I_glioma，且每种模态.nii.gz数据大小均为256×256×16。

数据脱敏和清洗；对医院采集到的原始脑肿瘤多模态MRI数据中的敏感信息按照脱敏规则进行数据的变形；

数据重采样；不同扫描面的像素尺寸，粗细粒度是不同的，本发明从全部数据集中以固定的同构分辨率重新采样，将所有样本重采样为256×256×16大小；

颅骨剥离和数据保存；本发明对重采样后256×256×16的数据，进行颅骨剥离操作，去除非脑组织；并将每个模态统一保存为256×256×16大小的.nii.gz格式数据。

步骤二：各中心本地初始化使用3D U-net作为通用的底层联邦模型M_i，M_i是由权重W_i参数化的模型，本地私有脑肿瘤数据训练集D_i＝{X_i,Y_i}，本地模型训练过程可表示为：W_i′＝argminL(M_i,D_i,W_i)。模型训练过程中将各本地模型分成3个簇，每个簇对应的中心模型为

总生存期标签Y定义为从患者首次扫描之日起，到患者肿瘤相关死亡之日的时间。根据基于分类任务的评价方案，生存时间可分为三组。1)短期生存(即≤10个月)，2)中期生存(即10-15个月之间)，和3)长期生存(即≥15个月)。

全局联邦学习目标是最小化全局模型和局部模型之间的距离，损失函数使用多中心基于距离的联邦损失(Multi-center DF-Loss)，定义为：

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：

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。因此，增加一个步骤，即更新W_i。步骤主要包括：1)用固定W_i更新簇分配变量，2)更新簇中心

3)通过提供新的初始化

更新局部模型。

更新策略为在每一个联邦轮次t中，随机选择i个客户端从聚合服务器上下载初始全局联邦模型W_init，一次随机梯度下降过程可如下表示为：

其中η为学习率，f_j为预测属于样本属于j类的概率。两个客户端模型的模型偏差可表示为||W₁ ^(i′)-W₁ ⁽ⁱ⁾||。

设置联邦轮次为200次，每个轮次通过从服务器读取全局模型参数

来初始化本地模型，并通过运行随机梯度下降的多个迭代来更新本地模型W_i。在各中心迭代次数200次之后，停止模型更新得到最终的全局模型

模型W_i在主动学习阶段先从本地设备上可用的未标记图像池中获取和标记培训样本。模型W_i在每次迭代过程里都从池中获取最相关的样本，模型先在已标记训练集上接受训练，然后使用数据集预测未标记图像池中样本的标签，并根据基本采样和不一致策略中定义的标准将它们添加到已标记数据集中，在达到最大迭代次数后停止并更新模型参数。

当有K个客户端本地数据样本更新时，采用深度强化学习构建马尔科夫决策过程进行不同簇中心全局模型的参数更新。在每个联邦轮次中，在接收到上传的本地权重后，更新存储在服务器上的本地模型权重。强化学习agent先计算对于所有客户端的动作值函数Q(s_t,k)，再选择Q(s_t,k)的前K个值对应的K个客户端，所选择的K个客户端下载最新的全局模型权重

并在本地执随机梯度下降以获得W_i ^(t+1)。最后将W_i ^(t)上传到服务器，根据多中心的联邦聚类框架计算各个簇中心的全局模型

步骤三：脑肿瘤ROI多模态MRI影像深度学习特征提取；首先，利用步骤(2)获得的I_glioma通过联邦轮次迭代得到的全局3D U-net网络分割出肿瘤感兴趣区域(region ofinterest，ROI，大小为256×256×4)I_ROI；然后使用I_ROI训练的具有5个卷积-激活层模块(该模块由卷积核大小为3×3步长为1的3个卷积层、ReLU激活函数和步长为2的maxpool层组成)的4通道卷积神经网络对ROI进行多通道卷积特征图提取每个通道获得512个16×16大小的path特征图，关注信息量最大的通道特征和空间特征，抑制不重要的特征，得到最终的脑肿瘤ROI多模态MRI影像深度学习特征F。

其中,需要计算的影像组学特征参数包括:图像的一阶、形状、纹理和小波特征。

步骤四：通过最小绝对收缩和选择算子(LASSO)方法用于从原始影像组学特征F中选择最有用的预测特征。通过选定特征的线性组合计算每个患者的放射组学评分(rad评分)，这些特征由各自的系数加权计算得到最终的评分。

步骤五：通过步骤二得到的深度学习特征，步骤三得到的影像组学rad评分和临床病历信息，使用多种分类器的集成学习模型生成最终的分类模型，进行患者脑肿瘤生存期的分类预测，为下一步患者的治疗提供参考信息。

本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims

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：

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，

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。

8.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中当有多个客户端本地数据样本更新时，采用深度强化学习问题构建马尔科夫决策过程进行全局模型的参数更新。

9.根据权利要求1所述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S4中，通过最小绝对收缩和选择算子LASSO方法进行特征选择预测特征，LASSO回归是以缩小变量集为思想的压缩估计方法，LASSO的公式为：

其中ψ是特征系数向量，ψ^T是系数向量的转置，f_i是第i个客户端的样本特征，y_i是第i个客户端的样本标签，λ是L1正则化项||ψ||₁的系数，用于控制模型复杂度，λ越大则模型惩罚力度越大，留下的特征越少，||·||₁表示L1范数。

10.一种多中心基于联邦学习的脑肿瘤预后生存期预测系统，其特征在于，包括以下模块：

模块M1：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；

模块M2：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；

模块M3：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；

模块M4：对模块M3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；

模块M5：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。