Aprendizaje de transferencia federado para mejorar la segmentación de lesiones hepáticas en imágenes PET-CT

Área de la Ciencia:

• Análisis de imágenes médicas
• Inteligencia artificial en el cuidado de la salud
• Radiología

Sus antecedentes:

• El diagnóstico preciso de la lesión hepática mediante tomografía por emisión de positrones y tomografía computarizada (PET-CT) es crucial.
• El despliegue de aprendizaje profundo se ve obstaculizado por la escasez de datos, los problemas de privacidad y la heterogeneidad de imágenes en todas las instituciones.
• Los métodos existentes luchan con la integración de datos multiinstitucionales y la preservación de la privacidad.

Objetivo del estudio:

• Proponer un nuevo marco de aprendizaje de transferencia federado (FTL, por sus siglas en inglés) para la segmentación robusta de lesiones hepáticas en imágenes PET-CT.
• Mejorar el rendimiento del modelo de aprendizaje profundo al tiempo que se abordan las preocupaciones sobre la escasez de datos y la privacidad.
• Mejorar la generalización y la precisión del diagnóstico de los modelos de IA en imágenes médicas.

Principales métodos:

• Desarrolló un marco de FTL de preservación de la privacidad que combina el aprendizaje federado y el aprendizaje de transferencia adaptativo.
• Se ha introducido un bloque multimodal de aprendizaje conjunto (FCB, por sus siglas en inglés) para una integración efectiva de las características PET-CT.
• Tecnologías integradas que mejoran la privacidad, como la privacidad diferencial (DP) y el cifrado homomórfico (HE).

Principales resultados:

• El marco FTL demostró un rendimiento superior en la segmentación de lesiones hepáticas en comparación con los métodos de referencia en conjuntos de datos PET-CT multiinstitucionales simulados.
• El enfoque logró sólidas garantías de privacidad, asegurando que los datos confidenciales de los pacientes no se compartan.
• Los experimentos confirmaron la reducción de los requisitos de datos y la mejora de la generalización del modelo.

Conclusiones:

• El marco FTL propuesto aborda efectivamente los desafíos en el despliegue de aprendizaje profundo para la segmentación de lesiones hepáticas en PET-CT.
• Este método ofrece una solución que preserva la privacidad y la eficiencia de los datos para el análisis de imágenes médicas multiinstitucionales.
• El marco FTL representa un avance significativo en el diagnóstico de lesiones hepáticas impulsado por IA.