一种基于联邦学习的在线宫颈细胞TCT切片检测方法和系统技术方案

本发明专利技术公开了一种基于联邦学习的在线宫颈细胞TCT切片检测方法和系统，包括云端服务器初始化全局辅助诊断模型，本地TCT阅片仪初始化本地辅助诊断模型，接受云端服务器分发的全局模型，将之存为中间模型；本地TCT阅片仪对所属医院的图像进行判别并将判决结果交由医生复核，再将医生复核结果进行保存；未触发联邦学习机制时，本地的私有数据对辅助诊断模型和中间模型再训练；满足联邦学习条件后，将本地的中间模型的梯度参数上传云端服务器，云端服务器聚合梯度数据，更新全局辅助诊断模型后，再发到各TCT阅片仪以更新中间模型。本发明专利技术的有益效果为在保证不同医疗机构的数据不外传的前提下，进行大规模训练且使得各医院的AI辅助诊断结果贴合实际情况。辅助诊断结果贴合实际情况。辅助诊断结果贴合实际情况。

【技术实现步骤摘要】
一种基于联邦学习的在线宫颈细胞TCT切片检测方法和系统


[0001]本专利技术涉及医疗仪器领域，联邦学习
，特别是一种基于联邦学习的在线宫颈细胞TCT切片检测方法和系统。

技术介绍

[0002]随着国家发展水平的提高，医疗服务需求持续增加。宫颈癌作为女性最常见的恶性肿瘤之一，截至2020年，据世界卫生组织数据显示，宫颈癌以60万例的新发病例数量，位列2020年全球发病率前十癌症的第七位，严重威胁着女性的健康。TCT检测是宫颈癌早期筛查的常用方法，根据国家卫健委2022年5月公布的数据，我国“两癌”筛查工作已经覆盖了全国近2600个县(市、区)，对近2亿人次开展了免费两癌筛查，其中宫颈癌筛查1.3亿人次。TCT检测筛查的人群数量众多，然而目前国内注册的病理医生不到2万人，且培养一位有经验的病理医生需要花费5～10年，庞大的医生缺口亟待解决。因此促进AI辅助诊断是促成中国病理诊断现状改变和水平提升的重要方法，是解决病理诊断诸多痛点的突破口。
[0003]且在医院实际应用中，TCT扫描图像的背景复杂，需要检测的目标种类较多，且各目标需满足的特征复杂，因此AI检测模型也很复杂；如果直接在医院本地部署这类模型，本地TCT阅片仪将需要很大算力以满足模型运行要求。同时，在不同的地域，不同的医院中，TCT检测筛查的人群在阳性率，感染类型和最高风险年龄层等方面存在着较大的差异，在各个医院部署的AI辅助诊断模型需要针对本院的实际情况做相应的调整。
[0004]保护患者隐私权益的法律法规对医疗人工智能项目获取患者数据有着诸多限制，医疗数据很难向其所属单位外传输，甚至所属单位内部传输都有严格的要求。联邦学习是打破这“数据孤岛”困境的有力方法。
[0005]联邦学习这一技术能有效实现多个医疗机构在满足隐私保护、数据安全和政府法规的要求下，进行医疗数据的使用和AI模型的训练。

技术实现思路

[0006]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0007]鉴于上述或现有技术中存在的问题，提出了本专利技术。
[0008]因此，本专利技术的目的是提供一种基于联邦学习的在线宫颈细胞TCT切片检测方法和系统，其在保证各个医院医疗数据安全和隐私安全的同时，实现通用AI辅助诊断模型训练和更新迭代，从而实现通用辅助诊断的功能，减少医生的工作量。
[0009]为解决上述技术问题，本专利技术提供如下技术方案：一种基于联邦学习的在线宫颈细胞TCT切片检测方法，其包括S1：首先云端服务器初始化全局辅助诊断模型，本地TCT阅片仪初始化本地辅助诊断模型，并接受云端服务器分发的全局模型，将之存为中间模型；S2：本地辅助诊断模型对TCT扫描图像进行判别，并判别结果交由医生复核，再将医生复核完成
的结果进行保存；S3：在未触发联邦学习机制时，利用本地医院的私有TCT扫描图像和复核后的结果，对本地辅助诊断模型和中间模型进行再训练；S4：当满足联邦学习条件后，将各个存在本地的中间模型的梯度参数上传至云端服务器，云端服务器则进行聚合参与联邦学习TCT阅片仪的梯度数据，并更新全局辅助诊断模型；S5：云端服务器将更新后的全局辅助诊断模型分发至本地阅片仪，本地阅片仪对收到的梯度数据进行解密，从而更新各自的中间模型。。
[0010]作为本专利技术一种基于联邦学习的在线宫颈细胞TCT切片检测方法的一种优选方案，其中：步骤S1中，有N台TCT阅片仪和1台云端服务器，参与的各方将采用主
‑
从的架构。
[0011]作为本专利技术一种基于联邦学习的在线宫颈细胞TCT切片检测方法的一种优选方案，其中：步骤S1中，全局辅助诊断模型和中间模型为模型复杂度较高，模型规模较大，在TCT图像公共数据上预训练完成的模型，本地辅助诊断模型则是对医院实际更加贴合，更好的适应地域，感染类型等方面的差异。
[0012]作为本专利技术一种基于联邦学习的在线宫颈细胞TCT切片检测方法的一种优选方案，其中：步骤S2中，AI辅助诊断模型给出被检出细胞的所属类别c、所在位置和大小{x,y,w,h}，其中(x,y)为被检出细胞外切矩形左上角坐标，为该矩形的长和宽，以及所著该类别的置信度t。
[0013]作为本专利技术一种基于联邦学习的在线宫颈细胞TCT切片检测方法的一种优选方案，其中：步骤S3中，中间模型与本地辅助诊断模型分别扮演知识蒸馏算法中老师与学生的角色。
[0014]作为本专利技术一种基于联邦学习的在线宫颈细胞TCT切片检测方法的一种优选方案，其中：步骤S3中，在中间模型的输出结果作为本地辅助诊断模型的目标，训练本地辅助诊断模型，使得本地辅助诊断模型的结与中间模型的输出结果相接近。
[0015]作为本专利技术一种基于联邦学习的在线宫颈细胞TCT切片检测方法的一种优选方案，其中：步骤S4中，联邦学习的机制将执行T轮，在每一轮中，选择k个TCT阅片仪参与，云端服务器在聚合各方梯度数据后，通过并行梯度下降算法，联邦平均算法和FedProx更新算法及上诉方法的组合的方式对AI辅助诊断模型进行更新。
[0016]作为本专利技术一种基于联邦学习的在线宫颈细胞TCT切片检测方法的一种优选方案，其中：步骤S3、步骤S4和步骤S5将持续迭代进行，直到损失函数收敛或达到迭代的终止条件。
[0017]作为本专利技术一种基于联邦学习的在线宫颈细胞TCT切片检测系统的一种优选方案，其中：一组云端服务器；两组即以上的TCT阅片仪；网络数据传输设备；数据存储设备；多组程序，被存储在的存储器中，以完成基于联邦学习和知识蒸馏的协同训练。
[0018]作为本专利技术一种基于联邦学习的在线宫颈细胞TCT切片检测系统的一种优选方案，其中：程序包括用于执行以下过程，云端服务器分发全局辅助诊断模型，并在本地存为中间模型；本地辅助诊断模型对所得TCT图像判别，并展示本地辅助诊断模型的判别结果和存储医生的复核结果；判断是否满足联邦学习的条件，若不满足，利用本地TCT图像与存储医生的复核结果对中间模型和本地辅助诊断模型进行再训练；若满足条件，则中间模型再训练所得梯度数据等通过加密传输至云端服务器；接收云端服务器发送的加密梯度数据，并更新本地AI辅助诊断模型；云端服务器聚合参与联邦学习TCT阅片仪的梯度数据，并更新
全局辅助诊断模型；本地TCT阅片仪接收云端服务器发送的加密梯度数据，并更新本地AI辅助诊断模型。
[0019]本专利技术的有益效果：本专利技术通过在保证不同医疗机构的数据不外传的前提下，进行大规模训练，且使得各医院的AI辅助诊断结果贴合各自实际情况。
附图说明
[0020]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于联邦学习的在线宫颈细胞TCT切片检测方法，其特征在于：包括，S1：首先云端服务器初始化全局辅助诊断模型，本地TCT阅片仪初始化本地辅助诊断模型，并接受云端服务器分发的全局模型，将之存为中间模型；S2：本地辅助诊断模型对TCT扫描图像进行判别，并判别结果交由医生复核，再将医生复核完成的结果进行保存；S3：在未触发联邦学习机制时，利用本地医院的私有TCT扫描图像和复核后的结果，对本地辅助诊断模型和中间模型进行再训练；S4：当满足联邦学习条件后，将各个存在本地的中间模型的梯度参数上传至云端服务器，云端服务器则进行聚合参与联邦学习TCT阅片仪的梯度数据，并更新全局辅助诊断模型；S5：云端服务器将更新后的全局辅助诊断模型分发至本地阅片仪，本地阅片仪对收到的梯度数据进行解密，从而更新各自的中间模型。2.如权利要求1所述的基于联邦学习的在线宫颈细胞TCT切片检测方法，其特征在于：所述步骤S1中，有N(N)台TCT阅片仪和1台云端服务器，参与的各方将采用主
‑
从的架构。3.如权利要求2所述的基于联邦学习的在线宫颈细胞TCT切片检测方法，其特征在于：所述步骤S1中，全局辅助诊断模型和中间模型为模型复杂度较高，模型规模较大，在TCT图像公共数据上预训练完成的模型，本地辅助诊断模型则是对医院实际更加贴合，更好的适应地域，感染类型等方面的差异。4.如权利要求3所述的基于联邦学习的在线宫颈细胞TCT切片检测方法，其特征在于：所述步骤S2中，AI辅助诊断模型给出被检出细胞的所属类别c、所在位置和大小{x,y,w,h}，其中(x,y)为被检出细胞外切矩形左上角坐标，(w,h)为该矩形的长和宽，以及所著该类别的置信度t。5.如权利要求4所述的基于联邦学习的在线宫颈细胞TCT切片检测方法，其特征在于：所述步骤S3中，中间模型与本地辅助诊断模型分别扮演知识蒸馏算法中老师与学生的角色。6.如权利要求5所述的基于联邦学习的在线宫颈细胞TCT切片检测方法...

【专利技术属性】
技术研发人员：徐挺，
申请(专利权)人：佐健上海生物医疗科技有限公司，
类型：发明
国别省市：