2026年8月7日 · FedDOSE
FedDOSE: Federated Learning Framework Decomposing Site Effects for Modeling Brain Dynamic Functional Connectivity
FedDOSE 是一个联邦学习框架，用于建模大脑动态功能连接（dFC），通过模块化引导的 Tucker 分解编码高维 dFC 张量，并利用最优传输重心和 Procrustes 分析对齐类原型，以分解站点效应。实验用于诊断自闭症谱系障碍（ASD）和注意力缺陷多动障碍（ADHD）。
EVENT STORY
发展脉络
- 首次出现FedDOSE: Federated Learning Framework Decomposing Site Effects for Modeling Brain Dynamic Functional ConnectivityarXiv cs.LG
- 当前判断该研究展示了联邦学习在医学影像分析中的潜力，特别是在多中心协作中保护隐私的同时处理数据异质性。这可能推动医疗 AI 领域更广泛地采用联邦学习，尤其是在需要跨机构数据但受隐私法规限制的场景。Agent Pulse · 分析
FedDOSE 提出了一种联邦学习框架，专门用于处理多站点 fMRI 数据中的统计异质性，特别是站点差异。该框架引入模块化引导的 Tucker 分解块来编码高维动态功能连接张量，捕获模块级时空模式。通过跨站点生成类特定原型，并使用最优传输重心和 Procrustes 分析进行全局对齐，FedDOSE 在诊断 ASD 和 ADHD 的实验中展示了有效性。
FedDOSE 的核心创新在于将站点差异显式分解，并通过模块化引导的 Tucker 分解高效处理高维 dFC 张量，这比静态 FC 方法更能捕捉大脑网络的动态信息。原型对齐结合 OT 重心和 Procrustes 分析，可能为联邦学习中的域适应提供新思路。
该研究展示了联邦学习在医学影像分析中的潜力，特别是在多中心协作中保护隐私的同时处理数据异质性。这可能推动医疗 AI 领域更广泛地采用联邦学习，尤其是在需要跨机构数据但受隐私法规限制的场景。
对于医疗 AI 公司，FedDOSE 提供了一种隐私保护的多中心协作训练方案，可能降低数据获取成本并提高模型泛化能力，从而加速临床应用的落地。
未来可验证的信号包括：FedDOSE 是否在更大规模的多站点数据集上验证，以及其方法是否被其他研究团队采用或扩展。此外，该方法能否推广到其他神经影像模态或疾病诊断。