マダン・バドゥワル (Madan Baduwal) 氏とプリヤンカ・ポウデル (Priyanka Paudel) 氏らは7月22日(現地時間)、ポリープセグメンテーションのための通信・推論効率の高い連合学習フレームワーク「QFedPolyp (キュフェドポリープ)」を提案した。このフレームワークは、機密性の高い医療データのプライバシーを保護しつつ、通信オーバーヘッドの削減と推論速度の向上を実現する。
自動ポリープセグメンテーションは、コンピュータ支援診断や大腸がんの早期発見を支援する。従来の集中型深層学習では、病院が機密性の高い医療データを共有する必要があった一方、連合学習はプライバシーを保護するが、フル精度のモデルパラメータの繰り返し送信により高い通信コストが発生する問題がある。
QFedPolyp (キュフェドポリープ) は、量子化認識トレーニング (quantization-aware training) と低精度モデル通信を組み合わせることで、これらの課題に対処する。各病院はプライベートデータ上で軽量な U-Net (ユーネット) をローカルでトレーニングし、トレーニング中に量子化をシミュレートする。クライアントは量子化されたモデルパラメータを中央サーバーに送信し、そこで Federated Averaging (連合平均化) を使用して再構築および集約される。
評価は Kvasir-SEG (クヴァシルセグ)、CVC-ClinicVideoDB (シーブイシークリニックビデオディービー)、PolypGen (ポリープジェン)、および BKAI-IGH NeoPolyp (ビーカイアイジーエイチネオポリープ) のデータセットで行われた。フル精度の連合学習は Kvasir-SEG で Dice スコア 0.910、CVC-ClinicVideoDB で 0.930 を達成した。ユニフォーム 8-bit 通信は、競争力のあるセグメンテーション精度を維持しつつ、送信コストを約4分の1に削減することが示された。また、量子化されたモデルは、フル精度モデルと比較して最大 1.5倍高速な推論を達成する。この結果は、QFedPolyp が通信オーバーヘッドを削減し、推論を高速化しながらプライバシーを保護した共同ポリープセグメンテーションを可能にし、生成される軽量モデルがリアルタイムの臨床展開に適していることを示している。
参考: arXiv cs.LG (アーカイブ) — 2026年7月29日 13:00 (JST)
原文ハイライト"a Communication- and Inference-Efficient Federated Learning Framework for Polyp Segmentation"