解决核心难题！南医大重要成果，连登Nature子刊、Science合作期刊！

百科大全 2025年09月03日 10:32 2 admin

近日，南方医科大学生物医学工程学院曾栋团队在提升跨机构跨机型医学影像协作效率与隐私保护方面取得系列重要进展。团队提出的创新性服务器轮转联邦学习方法，有效解决了多供应商数据协作中的核心难题。这些系统性成果为医学影像领域的多机构高效协同与隐私安全开辟了新路径。

曾栋，广东省百名博士博士后创新人物、广州市青年科技人才托举工程项目入选者；研究方向为高端医学X射线CT成像方法与技术；已作为第一作者发表多篇一区论文；主持国家级科研项目多项。

医学影像领域亟需跨机构协作以提升诊断能力，但数据隐私与不同供应商数据异质性（如设备、协议、人群差异）是两大核心障碍。传统联邦学习依赖固定中心服务器，存在单点故障风险且难以适配各异的数据特征，限制了模型在未知机构数据上的泛化能力。

针对上述挑战，团队发表在Nature Communications Engineering上的研究提出了一种创新的服务器轮转联邦学习方法（SRFLM）。该方法创造性地引入轮转服务器通信机制：让各数据供应商依次承担服务器角色，利用自身数据对全局模型进行联邦微调，深度挖掘各供应商数据的全局潜在特征。

同时，采用动态服务器选举策略，根据模型实时收敛性能智能选择最优服务器，显著加速训练过程并提升最终诊断模型的效率。研究团队在图像分类和CT重建任务上验证了SRFLM的有效性。尤为重要的是，SRFLM结合差分隐私技术，在严格保护原始数据隐私的前提下，实现了跨供应商医学影像的高效协同训练，为构建更广泛、更安全的医学影像协作网络提供了切实可行的“新路径”。

团队发表于Science合作期刊Cyborg and Bionic Systems的研究是该团队解决多源数据异质性问题的关键一步。该研究深入探讨了传统联邦学习方法在处理多源异构CT数据集时的性能局限。为了克服这一难题，团队创新性地引入了相互学习（Mutual Learning）机制。

该机制允许客户端与服务器之间进行更有效的信息共享，并结合提示学习（Prompt Learning）技术来适应不同的成像场景，从而显著增强了联邦学习模型对数据分布差异的适应能力。这项成果不仅提升了联邦学习在CT成像中的模型性能，也为其在混合监督训练和个性化学习方面的应用拓展了空间，为后续SRFLM方法的提出奠定了重要基础。

团队在相关领域的系统性研究始于更早发表在IEEE期刊上的工作。该研究率先探索了联邦学习在提升低剂量CT图像质量中的应用，并针对多机构数据差异导致模型性能下降的问题，提出了利用云端高质量元数据进行联邦元数据学习的方案。在本地客户端则采用条件调节模型，融入特定扫描条件知识来优化重建过程，初步验证了缓解数据异质性影响的可行策略。

这一系列重要成果的取得，都是南医大生物医学工程学院强劲实力的体现。生物医学工程学院是国内较早举办生物医学工程专业的单位，拥有优秀的师资、先进的平台和丰富的临床及产业资源，具备“本科-硕士-博士-博士后”完整的人才培养体系。学院是教育部高等学校第一类特色专业、国家级一流本科专业建设点，所属学科是广东省攀峰重点学科。

学院有智能医学工程、生物医学工程（卓越创新班）、生物医学工程（医学影像工程）、生物医学工程（医学物理师）、生物医学工程（智能医学仪器）、生物医学工程（生物医学材料）6个招生专业，旨在培养服务智慧医疗发展的创新型、复合型人才。

科研突破与创新离不开平台的支撑，在教育部工程中心、省重点实验室等8个省级研究平台基础上，学院教师近五年获得国家重点研发项目、国自然重点项目等国家级项目50多项；研究成果先后获得国家科学技术发明二等奖1项，国家科技进步二等奖1项，省部级奖励10多项；年均发表SCI论文100余篇；医学成像与分析方向研究水平处于国内领先水平。