在结肠组织学图像中检测瘤的联合学习方法

科学领域:

• 医学图像分析 医学图像分析
• 计算病理学计算病理学
• 医疗保健中的人工智能

背景情况:

• 联合学习 (FL) 允许在不共享敏感患者数据的情况下进行协作模型培训.
• 在组织学图像中检测瘤对于癌症诊断和治疗至关重要.
• 与集中式方法相比,现有的FL方法可能在一般化和性能方面遇到困难.

研究的目的:

• 介绍FedDropoutAvg,一种新的FL方法用于检测结肠组织学图像中的瘤.
• 为了提高客户选择和联合平均值,利用掉队策略.
• 评估FedDropoutAvg的表现和与其他FL基准相比的概括性.

主要方法:

• 开发了FedDropoutAvg,将脱落集成到客户选择和联合平均化中.
• 利用了一个大型的多站点组织病理学数据集 (120万个图像,21个站点).
• 在不同的培训和实验场地训练和测试模型以评估概括性.

主要成果:

• 在两个图像分类任务中,FedDropoutAvg的表现优于其他FL基准算法.
• 与独立测试场所的集中模型相比,实现了不到3%的AUC的性能差距.
• 在联邦环境中证明了FedDropoutAvg的优越通用性.

结论:

• 在医疗图像分析中,FedDropoutAvg有效地利用dropout来增强联合学习.
• 拟议的方法显著缩小了FL和瘤检测中心化模型之间的性能差距.
• FedDropoutAvg显示了数字病理学中可泛化和保护隐私的人工智能的强大潜力.