分散型ゴシップ相互学習（GML）による頭頸部腫瘍の自動セグメンテーション
1Department of Radiation Oncology, Columbia University Irving Medical Center 622 W 168th St, New York, NY 10032, United States.
Proceedings of SPIE--the International Society for Optical Engineering
|December 30, 2025
まとめ
ゴシップ相互学習（GML）は、中央サーバーなしでのピアツーピア学習を可能にすることで、分散型医療AIを強化します。このアプローチは、従来の連合学習法と比較して、腫瘍セグメンテーションの精度を向上させ、通信オーバーヘッドを大幅に削減します。
科学分野:
- 医用画像処理
- 機械学習
- 人工知能
背景:
- 連合学習（FL）は、データの共有なしに医療センター間での協調的なモデルトレーニングを可能にします。
- 従来のFLは中央サーバーに依存しており、単一障害点となり、ローカルデータの変動に対して最適化されない可能性があります。
- サイト固有のデータの不均一性は、グローバルにトレーニングされたモデルのパフォーマンスを制限する可能性があります。
研究 の 目的:
- ヘルスケアにおける協調的な機械学習のための分散型フレームワークであるゴシップ相互学習（GML）を導入すること。
- 中央集権的なFLの限界、サーバーの脆弱性や最適ではないローカルパフォーマンスなどに対処すること。
- 新しい分散型アプローチを通じてPET/CT画像における腫瘍セグメンテーションの精度を向上させること。
主な方法:
- 分散型協調学習フレームワークであるゴシップ相互学習（GML）を開発しました。
- 臨床サイト間の直接的なピアツーピア通信のためにゴシッププロトコルを利用しました。
- 各サイトがピアからの情報を使用してローカルモデルを最適化する相互学習を実装しました。
- PET/CT画像における腫瘍セグメンテーションのためにHECKTOR21データセットでGMLを評価しました。
主要な成果:
- GMLは、プールされたトレーニング、FedAvg、および個別のトレーニングと比較して、腫瘍セグメンテーションのパフォーマンス（Dice類似係数）をそれぞれ3.2％、4.6％、10.4％向上させました。
- GMLは、サンプル外のサイトでプールされたトレーニングおよびFedAvgと同等の汎化パフォーマンスを示しました。
- GMLは、FedAvgと比較して通信オーバーヘッドを6分の1に削減し、通信コストの16.67％しか使用しませんでした。
結論:
- GMLは、医療画像分析のための従来の連合学習に対する堅牢で効率的な分散型代替手段を提供します。
- GMLフレームワークは、ローカルモデルのパフォーマンスを向上させ、通信オーバーヘッドを削減するため、分散型医療AIアプリケーションに適しています。
- 分散型のピアツーピア学習は、多施設共同研究におけるデータの不均一性の課題に効果的に対処します。
