站点聚合表征引导的个性化联邦学习：用于多站点单样本医学图像分割

基于摘要分析。该研究针对多站点医学图像分割中的标注成本与站点差异问题，提出个性化联邦学习框架 FedSR，在不共享患者数据的协作训练中，利用站点不变潜在信息支持 one-shot 分割。其主要研究对象是医学图像分割，并非 EEG 解码或 BCI。 机制上，FedSR 先通过联邦学习训练一个旨在建模多站点数据分布、适应多任务的编码器，再通过互信息最大化学习站点聚合表征，并用该潜在表征引导个性化双任务解码头。相较于摘要所述侧重本地参数学习的既有方法，其核心思路是在本地个性化过程中显式利用跨站点一致性。具体参数共享范围、双任务定义、互信息估计方式、损失形式及 one-shot 标注单位尚未验证。 作者报告，在两项医学图像分割任务上，FedSR 优于所比较的先进 one-shot 医学图像分割方法；摘要未给出数据集、站点数量、数据划分、指标或提升幅度，因而无法判断收益大小及跨站点稳定性。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若跨站点共享表征能保留任务信息而非站点特征，这一机制可能为多中心 EEG 个性化联邦学习提供参考。其迁移假设依赖多站点具有可对齐的信号结构与一致监督目标；可复用的是共享编码与站点聚合表征约束，需改造输入编码和分割解码头。EEG 的低信噪比、被试差异、通道不一致及小样本互信息估计不稳定均可能使该假设失败。一个可检验的小实验是在固定跨被试划分和标注预算下，对比加入与不加入站点聚合约束的同一联邦解码基线，检查各站点收益及负迁移。相关 EEG 工作尚未检索确认。