针对黑色素瘤诊断中的分散人工智能的联合学习
Sarah Haggenmüller1, Max Schmitt1, Eva Krieghoff-Henning1
1Digital Biomarkers for Oncology Group, National Center for Tumor Diseases (NCT), German Cancer Research Center (DKFZ), Heidelberg, Germany.
JAMA dermatology
|February 7, 2024
概括
联合学习为人工智能黑色素瘤诊断提供了一种保护隐私的方法,其表现与外部数据集上的集中模型相美. 这种方法增强了各机构在数字病理学领域人工智能开发方面的协作.
科学领域:
- 数字病理学数字病理学
- 医疗保健中的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 开发用于黑色素瘤分类的人工智能通常需要大量的集中数据集,这引发了患者隐私方面的担忧.
- 联合学习 (FL) 提供了一个去中心化的替代方案,将模型开发分布在各机构之间,而无需共享敏感的患者数据.
研究的目的:
- 评估一个保护隐私的联合学习方法是否可以实现与基于人工智能的黑色素瘤分类的集中和集体学习方法相比的诊断性能.
- 为了研究FL在多中心黑色素瘤诊断中的实用性,使用基因病学全幻灯片图像.
主要方法:
- 一个多中心的,单臂的诊断研究,涉及6个德国大学医院.
- 使用前性获取的全幻灯片图像开发一种用于黑色素瘤神经组织分类的联合模型.
- 使用持久和外部测试数据集对联合模型与经典的集中和整体方法进行基准测试.
主要成果:
- 联合方法的表现明显低于对持久数据集的集中方法 (AUROC 0.8579 vs 0.9024).
- 然而,在外部测试数据集上,联合方法 (AUROC 0.9126) 的表现明显优于集中方法 (AUROC 0.9045).
- 在两个数据集上,联合方法的表现明显低于整体方法.
结论:
- 联合学习是一种可行的,保护隐私的方法,用于基于人工智能的黑色素瘤和瘤分类,使用分布式基因病理学数据.
- FL促进了跨机构的协作,并可能扩展到其他数字癌症组织病理学任务.
- 虽然不超过组合方法,但FL在医疗保健中展示了强大的AI发展的潜力,同时保护了患者的隐私.
