科研学术

　　近日，计算机科学与工程学院（网络空间安全学院）李建平教授团队在生物医学和健康信息学国际学术期刊IEEE Journal of Biomedical and Health Informatics（IEEE JBHI）发表题为“Federated Fusion of Magnified Histopathological Images for Breast Tumor Classification in the Internet of Medical Things”的理论研究论文。计算机科学与工程学院（网络空间安全学院）博士Bless Lord Y. Agbley（合作导师为李建平教授）为第一作者，李建平教授为通讯作者，电子科技大学为唯一完成单位。

　　该论文工作提出了一种创新性的联邦学习方法（FedFusion），提高乳腺肿瘤的诊断准确性和效率，可以在保护患者隐私的同时提高乳腺肿瘤分类的准确性和鲁棒性。

　　IEEE Journal of Biomedical and Health Informatics（IEEE JBHI）是国际上公认的生物医学和健康信息学领域的TOP学术期刊，在全球27种医学信息学（Medical Informatics）SCI收录期刊中排名第1（TOP1）；全球59种数学与计算生物学（Mathematical & Computational Biology）SCI收录期刊中排名第5（TOP5）；中科院Medical Informatics和Mathematical & Computational Biology小类一区，2022年CiteScore评分10.3。

　　近年来，随着数字病理成像速度提升和深度学习算法的成熟，通过深度学习算法对数字病理图像自动提取特征，并在量化计算后给出量化评价，该分析过程具有更好的重复性、稳定性、鲁棒性，不仅可以得到客观的诊断结果，还依靠计算机自动化计算，大大提高工作效率，降低医生工作负担。乳腺肿瘤是常见的恶性肿瘤之一，早期发现和及时治疗对于提高治愈率和生存率至关重要。目前，乳腺肿瘤检测和分类的主要方法是通过组织病理学图像进行诊断，但是由于组织病理学图像的复杂性和主观性，诊断的准确性和效率存在一定的局限性。因此，在早期阶段发现乳腺癌症肿瘤依然是一项没有完全攻克的医学难题，现有的众多医学诊断系统仍然不能有效检测乳腺肿瘤癌症。

图1：(a)x40、(b) x100、(c) x200和(d) x400放大级别的恶性肿瘤类导管癌样本幻灯片图像

　　为此，李建平教授团队围绕计算机视觉和机器学习技术在乳腺肿瘤检测和分类中的运用，提出了一种基于联邦学习的乳腺肿瘤分类方法，该方法可以将来自多个医疗机构的组织病理学图像集成在一起，通过联邦学习算法进行训练和分类，从而提高对乳腺肿瘤的诊断准确性和效率。该方法不仅可以提高乳腺肿瘤的诊断准确性和效率，还考虑了数据隐私和安全性问题，通过加密和去中心化的方式保护患者数据的隐私。论文的实验结果表明，该方法在多个数据集上都取得了很好的分类效果，模型在当前众多主流检测模型性中也表现优异（图2-3），证明了其在乳腺肿瘤诊断中的潜在应用价值，为乳腺肿瘤诊断和医疗物联网领域的发展作出了重要贡献。

图2：基于ResNet残差网络特征提取的FedFusion的体系架构

图3：实验结果与BreakHis数据集上的算法模型性能比较

　　这种基于联邦学习的乳腺肿瘤分类方法，将医疗和人工智能技术相结合，让医疗更加智能，可以帮助医生更准确地诊断疾病，提高治疗效果，同时又可以保护患者的隐私和数据安全。研究人员相信，这种基于联邦学习的乳腺肿瘤分类方法，将会在未来的医疗领域中发挥着越来越重要的作用，让医疗更加智能，让居民更加健康。

　　由李建平教授带领的智能信息处理与小波分析应用国际学术团队基于小波分析理论和人工智能，长期致力于以智能多生物特征识别与医学信息分析处理为代表的跨学科、跨平台、跨领域的前沿交叉研究，培养了数十名博士研究生、博士后，数百名硕士研究生。近年来，以电子科技大学作为独立作者单位，先后在IEEE Journal of Biomedical and Health Informatics、IEEE Transactions on Medical Imaging、Signal Processing、Medical Physics等国际顶级期刊(JCR-1)上发表多篇高水平SCI论文，成功举办IEEE 国际学术会议19次，引起了国内外同行的广泛关注。

　　论文地址：https://ieeexplore.ieee.org/document/10068730