TADynFed: 動的モダリティ・アダプティブ・フェデレーテッド・ラーニングと組織意識の解き放たれで,疾患間分析を行う

科学分野:

• 医学画像分析 医学画像分析
• フェデラート・ラーニング
• 医療における人工知能

背景:

• 連邦学習 (FL) は,データプライバシーを維持しながら,機関間での共同医療画像分析を可能にします.
• 現実世界のFLは,モダリティの異質性 (不完全な/変化するデータ) とクロス疾患の一般化などの課題に直面しています.
• 現存するFLの方法は,均一なモダリティの仮定と静的なクライアントの参加で苦労しており,臨床展開を妨げています.

研究 の 目的:

• ヘテロジェネスな連合学習 (HFL) の新しい枠組みであるTADynFedを提案する.
• 統合医療画像分析におけるデータとモダリティの異質性に対処する.
• モデル性能を現実的な臨床的制約下で改善し,欠落しているモダリティと多様な病理を含む.

主な方法:

• TADynFedは,モダリティに特化した特徴と共有された特徴を分離するために,組織に意識した解き放つ戦略を採用しています.
• ダイナミックなプロトタイプのメモリバンクが,欠けているモダリティを補償します.
• 適応的集積メカニズムは,強固な学習のためのクライアントの信頼性と任期を考慮します.

主要な成果:

• TADynFedは66.03%の平均mDiceスコアを達成し,ベースライン方法を大幅に上回りました (PointTransformerFL: 58.60%, FedAvg: 53.06%).
• 上部境界線調整 (ASD: 1.85 mm,HD95: 8.70 mm) と校正安定性 (ECE: 0.09) を実証している.
• 高い通信効率 (76 MB/ラウンド) と,再訓練なしに強固な疾患間移転性を示した.

結論:

• TADynFedは,現実的,異質的,および混合モデルの統合医療イメージングシステムの新しいベンチマークを確立しています.
• このフレームワークは,高セグメンテーション精度,境界精度,校正安定性を効果的に維持し,帯域幅を最小限に抑えることができます.
• TADynFedは,さまざまなデータセットと病理学で堅実なパフォーマンスを示し,臨床適用性を強調しています.