联合学习用于诊断与年龄相关的黄斑变性

科学领域:

• 眼科医生 眼科 眼科
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 与年龄相关的黄斑变性 (AMD) 诊断依赖于光学连贯性断层扫描 (OCT) 图像的准确解释.
• 集中式深度学习模型需要大量的聚合数据集,这带来了隐私和后勤挑战.
• 由于机构间的数据异质性导致的域名转移可能会降低模型性能.

研究的目的:

• 开发和评估一种联合学习 (FL) 方法,用于使用OCT图像对AMD进行二进制分类.
• 在FL框架内调查域调整技术的有效性,以减轻数据异质性.
• 将FL模型的性能与集中式方法进行比较,并确定最佳的FL策略.

主要方法:

• 实施的联合学习 (FL) 使用残余网络和视觉转换器编码器进行正常与AMD分类.
• 整合了四个领域适应技术,以解决不同机构的数据分布变化.
• 对集中式模型进行FL性能评估,并比较不同的FL策略,包括自适应个性化.

主要成果:

• 联合学习 (FL) 模型实现了与集中式模型相比具有竞争力的性能,尽管数据访问分散.
• 适应型个性化FL策略始终提供高性能,优于其他测试的FL方法.
• 更简单的模型架构在FL设置中表现出有效性,特别是在对隐私敏感的图像分类任务中.

结论:

• 联合学习 (FL) 是一种可行且有效的策略,用于训练深度学习模型在分散的OCT数据上进行AMD分类.
• 域调整技术提高了对数据异质性的FL模型的稳定性.
• 对更深层次的模型和各种FL策略的进一步研究可以优化关键医学成像应用的性能.