实施本地节点基础设施的国家联合机器学习网络在放射学中的挑战

科学领域:

• 医学研究 医学研究
• 机器学习是机器学习.
• 放射学 放射学是一门学科.

背景情况:

• 数据驱动的机器学习需要大型,多样化的数据集用于医学研究和诊断.
• 生成大型数据集是资源密集和耗时的.
• 联合学习 (FL) 提供了一种去中心化的方法,可以在本地数据上训练模型,增强数据隐私并减少工作.

研究的目的:

• 为在临床和科学环境中实施联合学习提出基本基础设施要求.
• 详细介绍数据治理,数据科学工作流程以及FL网络的本地节点设置.
• 报告FL基础设施实施的优势和挑战,以德国放射学合作网络作为用例.

主要方法:

• 为联合学习网络开发一个标准框架,包括基本组件.
• 建议对数据治理,数据科学工作流程和本地节点设置的基础设施要求.
• 分析各种环境中的部署过程,重点是整合到现有的临床IT基础设施中.

主要成果:

• 联合学习允许本地数据维护,通过不共享患者数据来避免数据安全问题.
• 拟议的基础设施可以建立在基础组件上,以满足FL网络需求,同时考虑当地和全球的要求.
• 将当地FL节点集成到现有的临床IT基础设施中,可以在维护和部署方面带来好处.

结论:

• 拟议的基础设施要求为未来的联合学习应用在临床和科学环境中提供了指导方针.
• 建议将FL节点集成到现有的临床IT基础设施中,以实现高效的维护和部署.
• 联合学习为数据驱动的医学研究提供了一个可行的解决方案,同时保持患者数据隐私.