计算机断层扫描（CT）图像必须准确地分割腹部器官和肿瘤，以用于计算机辅助诊断和治疗规划等临床应用。在现实世界的医疗保健环境中，更倾向于使用能够同时处理多种器官和疾病的通用模型。尽管主要研究集中在分割单个器官和不带恶性的不同类别的器官上，但还有其他感兴趣的领域。另一方面，传统的监督学习技术依赖于训练数据的数量和质量。不幸的是，由于高质量医学影像数据的昂贵费用，缺乏训练数据。只有合格的专家才能在各种解剖学的医学图像上创建正确的注释。
由于即使专业人士有时只在一个活动上具有专门的专业知识，因此注释不同解剖学和影像模态的器官和相关癌症也很困难。需要更多适用于各种器官和恶性肿瘤的适当注释信息，严重阻碍了通用分割模型的发展。许多研究已经研究了部分标记的数据集，其中每个图像只标记了一部分目标器官和恶性肿瘤，以开发通用的分割模型来解决这个问题。然而，共享机密的医疗统计数据在组织之间存在隐私和法律问题。提出了联邦学习（FL）来解决这些问题。
FL使得多个机构之间可以共同训练一个公共（或“全局”）模型，而不需要将数据集中在一个地方。提高医学图像分割效果的一种潜在方法是使用FL。在FL中，每个客户端仅向服务器发送模型更新，并使用其自己的数据和资源训练本地模型。服务器使用“FedAvg”将这些变化整合到全局模型中。最近的研究已经使用FL来创建使用部分标注的腹部数据集的统一多器官分割模型，如图1所示。然而，这些方法通常忽略了病变区域。只有少数研究努力同时分割各种器官及其肿瘤。
由于数据多样性引起的数据异质性处理困难，FL的模型聚合面临着重大挑战。当使用来自不同来源的模型与非IID数据时，性能可能会受到影响。当客户端使用为不同目的注释的数据时，引入了更多标签空间中的领域转移，使问题变得更糟。此外，客户端的数据集大小不同可能会影响具有较少数据的全局模型的性能。本文的台湾大学、名古屋大学和NVIDIA公司的研究人员提供了一种应对部分标注腹部CT图像中数据异质性的策略，用于联邦学习的多类器官和肿瘤分割。
这项工作的主要贡献如下：
1. 他们提出的条件蒸馏联邦学习（ConDistFL）框架使得在不需要额外完全标注数据集的情况下，可以进行腹部器官和恶性肿瘤的多任务分割。
2. 在真实世界的FL环境中，所提出的框架展示了稳定性和性能，具有较长的本地训练步骤和较少的聚合次数，降低了数据流量和训练时间。
3. 他们使用一个未发布的完全标注的公共数据集AMOS22进一步测试了他们的模型。定性和定量评估的结果证明了他们策略的鲁棒性。