一个可扩展的联合学习解决方案,用于二级护理使用低成本的微计算:维护隐私的开发和评估的COVID-19查测试在英国医院的医院
Andrew A S Soltan1, Anshul Thakur2, Jenny Yang2
1Oxford University Hospitals NHS Foundation Trust, Oxford, UK; Department of Oncology, University of Oxford, Oxford, UK; Institute of Biomedical Engineering, Department of Engineering Science, University of Oxford, Oxford, UK; Big Data Institute, Nuffield Department of Population Health, University of Oxford, Oxford, UK; Nuffield Department of Primary Care Health Sciences, University of Oxford, Oxford, UK.
The Lancet. Digital health
|January 26, 2024
概括
嵌入式系统的联合学习使得四家英国医院能够在不共享患者数据的情况下开发一个COVID-19查AI. 这种方法显著提高了模型性能和通用性,为人工智能开发提供了低成本的解决方案.
科学领域:
- 医学的人工智能 (AI)
- 机器学习模型开发开发
- 联合学习系统 (Federated Learning Systems) 是一个联合学习系统.
背景情况:
- 医疗人工智能的多中心培训可以减少偏见,但数据共享受到道德,法律和技术挑战的阻碍.
- 联合学习允许协作算法开发,同时保持数据隐私,但医院采用受到部署复杂性的限制.
- 之前开发的一种针对COVID-19的AI查测试 (CURIAL-Lab) 使用了常规的生命体征和血液测试.
研究的目的:
- 用一个易于使用的嵌入式系统来实现全联合学习,将COVID-19查测试联合起来.
- 在不集中患者数据的情况下,在四个英国医院集团中训练和评估机器学习模型.
- 评估用于医院AI开发的低成本,低专业知识的联合学习系统的可行性和性能.
主要方法:
- 一个带有联合学习软件的Raspberry Pi嵌入式系统被部署到四个英国国家卫生服务 (NHS) 医院组.
- 联合培训涉及深度神经网络和物流回归器,超过150轮使用大流行前和早期大流行COVID-19患者数据.
- 在第二波大流行期间进行了联合评估,在两个地点探索了额外的本地微调.
主要成果:
- 与本地模型相比,联合培训显著改善了深度神经网络分类器的接收器操作特征曲线 (AUROC) 下的面积,平均为27.6%.
- 全球深度神经网络模型在OUH实现了0.872的AUROC,在PUH实现了0.876的后联合训练.
- 在BH的外部联合评估显示AUROC为0.917,灵敏度为89.7%,特异性为76.6%;特定站点的调整没有显著改善性能.
结论:
- 使用嵌入式系统的全联合学习,成功实现了在不需要数据集中的情况下在多家医院进行COVID-19查测试的协作AI开发.
- 联合方法大大提高了模型性能和通用性,证明了其在现实世界临床环境中的有效性.
- 该系统为医院提供了一种具有成本效益和技术可访问的解决方案,可以为人工智能进步做出贡献,克服以前的部署障碍.
