动态合成图像用于医疗图像的联合学习
Jacky Chung-Hao Wu1, Hsuan-Wen Yu1, Tsung-Hung Tsai1
1Institute of Statistics, National Yang Ming Chiao Tung University, Hsinchu, Taiwan, ROC.
Computer methods and programs in biomedicine
|October 18, 2023
概括
联合学习 (FL) 模型可能有偏见. 用于联合学习的动态合成图像 (DSIFL) 通过使用动态生成的合成图像进行训练来改进FL,提高医疗AI模型的准确性.
科学领域:
- 医疗人工智能 医疗人工智能
- 机器学习 机器学习
- 计算机科学 计算机科学
背景情况:
- 开发用于医学诊断的深度学习模型需要来自多个机构的多样化数据.
- 隐私法规阻碍了集中数据收集,使联邦学习 (FL) 成为协作模式培训的可行替代方案.
- 标准FL模型可能会由于各机构数据集大小的变化而表现出偏差.
研究的目的:
- 解决医疗AI中使用的联合学习 (FL) 模型中的偏见.
- 提出一种新的方法,即为联合学习 (DSIFL) 提供动态合成图像,用于训练强大的医学诊断模型.
- 在FL框架内整合来自当地机构的信息与异质数据类型.
主要方法:
- 开发了用于联合学习 (DSIFL) 的动态合成图像,一种动态生成合成图像的方法.
- DSIFL技术根据局部数据错误分类来调整合成图像的数量.
- 整合了对类似错误分类的本地数据的合成图像的培训,以改善全球模型通用化.
主要成果:
- 在每个客户的数据集上使用准确度指标评估模型性能.
- 与标准的联合学习 (FL) 方法相比,DSIFL在实验环境中显示出更高的准确性.
- 经验研究证实了DSIFL比传统FL更好的性能.
结论:
- 拟议的DSIFL框架有效地改进了医疗数据分析的传统FL方法.
- 通过使用动态生成的合成图像,DSIFL提高了FL模型的性能.
- 该方法对开发更准确,更不偏见的人工智能诊断工具在医疗保健方面显示出希望.
