病理組織画像分類のための連合学習：系統的レビュー

科学分野:

• デジタル病理学; 機械学習; 医用画像

背景:

• 機械学習（ML）および深層学習（DL）は病理組織画像分類を改善しますが、データプライバシーの問題に直面します。連合学習（FL）は、データ共有なしでの共同モデルトレーニングを可能にし、プライバシー懸念に対処します。FLは、機密性の高い医療ドメインで堅牢なDLモデルを開発するために不可欠です。

研究 の 目的:

• 病理組織画像分類におけるFLの応用を系統的にレビューすること。デジタル病理学におけるFLで使用される一般的な方法論、データセット、およびパフォーマンスメトリックを特定すること。この分野におけるFLの課題と将来の研究の方向性を強調すること。

主な方法:

• PRISMAガイドラインに従った系統的レビュー。主要な科学データベースからの2020年から2025年の間に発表された24の研究の分析。包含基準は、病理組織学におけるFLベースのDLモデルと報告されたパフォーマンスに焦点を当てました。

主要な成果:

• 10個のデータセットが使用され、精度は69.37%から99.72%の範囲でした。FedAvgが最も一般的な集約アルゴリズムでした。VGG、ResNet、DenseNet、EfficientNetが頻繁に使用されたアーキテクチャでした。主な課題には、通信オーバーヘッド、計算需要、および一貫性のない報告が含まれます。

結論:

• 連合学習は、プライバシー保護デジタル病理学に大きな可能性を示しています。標準化された評価、効率的な集約、パーソナライゼーション、および解釈可能性は、臨床導入に不可欠です。病理組織学におけるFLの完全な利点を実現するには、複数の機関での検証が必要です。