在基于人工智能的胸部放射图分析中增强域名概括,使用联合学习

科学领域:

• 医疗成像中的人工智能
• 为医疗保健提供联合学习.
• 诊断人工智能模型概括

背景情况:

• 开发用于医学成像的强大的AI模型需要大量,多样化的数据集,通常难以获得.
• 联合学习 (FL) 能够实现跨机构的协作模式培训,而无需共享数据,保护隐私.
• 培训策略 (局部与协作FL) 对胸部X光学AI诊断性能的影响尚未得到充分研究.

研究的目的:

• 评估培训策略对AI模型解读胸部放射图的诊断性能的影响.
• 在不同培训数据大小,多样性和机构设置 (域内与域外) 中评估AI模型性能.

主要方法:

• 利用了来自五个全球机构的61万张胸部X射线图.
• 根据培训策略 (本地与FL),网络架构 (CNN与Transformer),数据集大小和多样性评估诊断性能.
• 评估特定成像发现的单一机构 (域内) 和跨机构 (域外) 绩效.

主要成果:

• 大数据集显示FL的效果增长最小甚至下降;较小的数据集显示显著改善.
• 域内表现主要取决于训练数据大小,而域外表现更多取决于训练多样性.
• 跨多个机构的合作FL培训始终优于对域外任务的本地培训.

结论:

• 联合学习增强了外域可靠性和AI模型的概括性,用于胸部放射图解读.
• 通过利用数据多样性,FL在诊断隐私,可重复性和潜在的优化医疗保健结果方面提供了好处.
• 培训策略和数据特征显著影响AI模型在医学成像应用中的性能.