在多中心底查网络中用于糖尿病视网膜病变检测的联合学习
概括
联合学习 (FL) 允许使用 fundus 图像进行糖尿病视网膜病变 (DR) 查的协作模型培训. 这种保护隐私的方法实现了与集中式学习相当的性能,证明了它对医疗查网络的可行性.
科学领域:
- 医学成像分析分析 医学成像分析
- 机器学习在医疗保健中的应用
- 数据隐私技术 数据隐私技术
背景情况:
- 联合学习 (FL) 为协作模式培训提供了一个解决方案,同时保持数据隐私.
- 它在医疗领域的应用对于处理敏感患者数据至关重要.
- 使用 fundus 照片进行糖尿病视网膜病变 (DR) 查是人工智能开发的一个关键领域.
研究的目的:
- 证明联合学习 (FL) 的可行性,以开发用于糖尿病视网膜病变 (DR) 查的深度学习模型.
- 在现实医学数据集中,评估FL算法的性能与集中学习 (CL) 相比.
主要方法:
- 一个模拟的联合学习 (FL) 框架是使用来自OPHDIAT网络的近70万张基金照片开发的.
- 实施了两个FL算法:交叉中心和交叉分级.
- 性能与使用ROC曲线下的区域 (AUC) 的传统集中式学习 (CL) 方法进行了比较.
主要成果:
- 两种模拟的FL算法都表现出与可引用的DR检测的集中学习 (CL) 相当的性能.
- 在ROC曲线下的面积 (AUC) 值为CL的0.9482,交叉中心FL的0.9317和交叉等级FL的0.9522.
- 交叉等级FL算法略高于CL的性能.
结论:
- 联合学习 (FL) 是合作医学研究和查的可行和可靠的框架.
- FL有效地解决了数据共享的挑战,同时保持了患者数据的隐私.
- 这种方法非常适用于对糖尿病视网膜病变等疾病的查网络.
