联合学习:深度学习基于内瘤划定框架的跨机构可行性研究,用于立体射线手术

科学领域:

• 医学成像和人工智能 医学成像和人工智能
• 对于神经瘤学的深度学习.
• 医疗保健中的联合学习

背景情况:

• 深度学习细分模型需要广泛的数据集,以获得最佳的性能和通用化.
• 在多机构研究中,集中式学习 (CL) 引发了严重的患者隐私问题.
• 分权化和隐私保护是协作医疗人工智能研究中的关键挑战.

研究的目的:

• 评估联合学习 (FL) 方法在立体射线外科手术 (SRS) 中病变划界的可行性.
• 解决多机构深度学习研究中固有的隐私和分散问题.
• 为了比较基于FL的损伤划分与传统的集中学习 (CL) 的性能.

主要方法:

• 这是一项回顾性研究,涉及506名前庭神经瘤,1069名脑膜瘤和574名来自两个机构的脑转移患者.
• 将拟议的损伤划分方法集成到一个联合学习 (FL) 框架中,使用CL模型作为基线.
• 使用Dice系数评估细分性能,比较SRS和非SRS数据集上的FL和CL模型.

主要成果:

• 联合学习 (FL) 证明了在一个测试集上对SRS损伤划分的集中学习 (CL) 的可比平均Dice系数.
• 在使用双参数设置的数据集中,CL显著超过FL,但结果与单参数设置相似.
• 在非SRS数据上,FL实现了与CL相似的适用性 (平均子0.78),并且表现优于个别研究所的基线模型.

结论:

• 建议的损伤划分方法在FL框架内成功实施,证明适用于来自参与机构的SRS数据.
• 对于非SRS数据集,FL的性能与CL相似,突出显示了它对更广泛应用的潜力.
• 该研究建议在实施联合学习时采用图像标准化策略,以提高性能和通用性.