一种基于超图的联邦学习生存预测方法

本发明公开了一种基于超图的联邦学习生存预测方法。首先，对于r个中心，针对每个中心获取n张病理图，得到数据集的特征信息；然后采用最近邻居算法计算每张病理图的p个patch图的最近邻居，连接互为邻居的的patch形成超图，得到关联矩阵；然后通过超图卷积神经网络学习并获得整张病理图的特征；再者，使用超图蒸馏进行局部网络的更新；之后根据每个中心的局部网络，更新全局网络，并进行生存预测。本发明利用超图蒸馏来缩小HGSurvNet和MLP之间的差距，在实现快速推理的同时保留了捕获结构信息的能力；改善了生存预测联邦学习领域的准确性和鲁棒性不足问题，提高了生存预测的准确率和对不同中心数据预测的鲁棒性。