一项针对COVID-19检测联合学习方法的比较研究
Erfan Darzi1, Nanna M Sijtsema2,3, P M A van Ooijen2,3
1Harvard Medical school, Harvard University, 300 Longwood avenue, Boston, United States. e.darzidehkalani@rug.nl.
Scientific reports
|February 16, 2024
概括
联合学习 (FL) 能够在医院之间进行COVID-19检测模型培训,而无需共享私人数据. 循环重量转移算法显示出卓越的性能和资源效率,特别是在参与医院较少的情况下.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 计算机科学 计算机科学
背景情况:
- 对于COVID-19诊断的深度学习模型需要大量的数据集,但由于隐私问题,数据共享受到限制.
- 联合学习 (FL) 提供了一种保护隐私的方法,用于在多个机构培训人工智能模型.
研究的目的:
- 评估使用CNN检测COVID-19的五个FL算法的性能和资源效率.
- 为分散的医疗图像分析确定最佳的FL策略.
主要方法:
- 评估了使用卷积神经网络 (CNN) 检测COVID-19的五个FL算法.
- 多种参数,包括参与实体的数量,联合轮和选择算法.
- 在分散的环境中分析性能和资源利用.
主要成果:
- 循环重量转移算法在COVID-19检测中表现出卓越的性能.
- 当参与医院数量有限时,这种算法特别有效.
- 资源效率也是评估中的一个关键考虑因素.
结论:
- 联合学习是医疗诊断中的隐私保护人工智能的可行解决方案.
- 循环重量转移算法为COVID-19检测中的高效FL提供了一个有希望的方法.
- 这些发现对在医学成像和其他分散的AI应用中部署FL有影响.
