合并:一个多输入生物医学联合学习模式

科学领域:

• 生物医学信息学是生物医学信息学.
• 医疗保健中的人工智能
• 机器学习用于医学成像.

背景情况:

• 深度学习 (DL) 对于分析医疗图像至关重要,但往往忽视了有价值的表格患者数据.
• 对于DL来说,大型数据集需要数据聚合,这带来了重大的隐私风险.
• 联合学习 (FL) 通过在当地培训模型提供了一个保护隐私的解决方案.

研究的目的:

• 开发和评估一个联合的多输入架构,整合医疗图像和表格数据.
• 为了提高AI模型的性能和通用性,同时确保数据隐私.
• 在现实世界生物医学应用中证明方法的有效性.

主要方法:

• 实现了一个联合的多输入神经网络架构.
• 在联合学习框架中整合了成像和表格患者数据.
• 验证了COVID-19预后和阿尔茨海默病患者分层任务的方法.

主要成果:

• 与单个输入模型相比,联合多输入模型实现了更高的准确性和F1得分.
• 拟议的方法显示了比非联合方法更好的概括性.
• 通过在各机构的本地培训模式来维护隐私.

结论:

• 联合学习与多模式数据 (图像和表格) 相结合,显著提高了AI在生物医学任务中的性能.
• 这种方法有效地解决了与大规模医疗数据分析相关的隐私问题.
• 该方法在诊断和患者分层方面有望推进AI应用.