研究：共识学习在医学AI协作中可实现与联邦学习相当的精度，但训练时间和通信成本大幅降低
一项发表在arXiv上的研究对7个医学数据集进行基准测试发现，CBL方法在精度上与FL相当，训练时间缩短15倍，通信成本降低60倍。
AI解读：这项研究回答了医疗AI协作中的一个现实问题：联邦学习（FL）虽然保护隐私，但通信基础设施复杂、部署成本高。研究者测试了另一种叫共识学习（CBL）的方法，把本地模型的知识合并成集体决策，省去大量反复通信。在7个医学数据集、3种机器学习任务、8种数据模态、3到23个客户端参与的场景中，CBL的精度与FL相当，但训练时间缩短15倍，通信成本降低60倍。对医院或研究机构而言，这意味着无需高昂算力和通信投资也能参与多方AI协作，可能降低医疗AI开发的门槛。不过研究基于模拟基准，实际部署中的网络状况、数据分布等未完全覆盖，结论仍需真实环境验证。
一项由法国国家健康与医学研究院（INSERM）、伦敦国王学院等机构的研究人员开展的基准研究显示，在医学数据分析的协作学习中，共识学习（CBL）方法在精度上与联邦学习（FL）相当，同时显著降低了训练时间和通信成本。该论文于2024年12月9日首次提交至arXiv预印本平台，2026年9月3日更新第二版。
研究设计与数据范围
根据论文摘要，研究者对一组FL和CBL方法在多种协作医学数据分析场景中进行了广泛的准确率和成本效益基准测试。基准涵盖7个医学数据集、3种机器学习任务、8种不同数据模态，以及涉及3至23个客户端的多中心设置。
作者身份信息显示，研究来自多个机构：Francesco Cremonesi、Lucia Innocenti、Marco Lorenzi来自法国国家健康与医学研究院（INSERM）和蔚蓝海岸大学（Université Côte d'Azur）；Sebastien Ourselin、Michela Antonelli来自伦敦国王学院；Vicky Goh来自伦敦国王学院和盖伊与圣托马斯医院NHS基金会信托基金。
主要发现
结果显示，在所考虑的基准医学数据集中，CBL方法达到了与FL相当的精度。同时，CBL显著减少了训练时间和通信成本，分别实现了15倍和60倍的降低（p < 0.05）。研究者指出，FL在敏感的医疗应用中虽广受欢迎，但实际实施面临技术和组织挑战，通常需要复杂的通信基础设施。CBL作为一种替代方案，通过将本地知识组合成联邦决策系统，可能降低部署开销。
该研究的局限在于，它基于模拟基准测试。实际部署中的网络波动、数据异构性动态变化等因素未充分体现。
需要说明的是，以上内容依据的是论文摘要，而非完整全文。摘要发表时为2024年12月，研究中所涉及的具体数据集和模型细节需查阅论文全文。