联合学习和集中学习之间的性能比较研究,使用子宫内膜癌的病理图像
Jong Chan Yeom1, Jae Hoon Kim2,3,4, Young Jae Kim5,6,7
1Department of Bio-health Medical Engineering, Gachon University, Seongnam, Republic of Korea.
Journal of imaging informatics in medicine
|February 21, 2024
概括
联合学习 (FL) 在分布式数据上安全地训练人工智能模型. 与集中式学习相比,优化的FL显示出更高的回忆和Dice相似系数 (DSC) 对子宫内膜癌病理图像.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 在瘤学瘤学.
背景情况:
- 联合学习 (FL) 允许在不共享原始数据的情况下进行协作AI模型开发,这对于医疗保健等敏感领域至关重要.
- 分布式数据环境带来了诸如稀缺性和异质性等挑战,可能会影响FL模型的性能.
- 在复杂的多机构环境中评估FL的有效性至关重要.
研究的目的:
- 评估联合学习与集中学习对子宫内膜癌病理图像分析的性能.
- 调查数据异质性对多医院环境中的联合学习模型的影响.
主要方法:
- 利用来自四家医院的子宫内膜癌病理图像数据集.
- 训练和评估联合学习模型,将其性能与集中式学习模型进行比较.
- 应用数据增强,颜色规范化和自适应优化器来优化模型处理.
主要成果:
- 与集中式学习相比,联合式学习的精度较低,但回忆力和子相似系数 (DSC) 较高.
- 优化的联合学习尽管在各机构之间数据异质,但证明是有效的.
结论:
- 联合学习是医疗图像处理的可行和适用的方法,特别是用于子宫内膜癌的检测.
- 在多机构合作中,FL在性能 (特别是回忆) 和数据安全方面提供了显著的优势.
- 该研究强调了FL在分布式医疗数据环境中克服挑战的潜力.
更多相关视频
05:52Sentinel Lymph Node Mapping and Biopsy for Endometrial Cancer at Early Stage with Laparoscopy
Published on: August 19, 2021
11.4K
13:01Industrialized, Artificial Intelligence-guided Laser Microdissection for Microscaled Proteomic Analysis of the Tumor Microenvironment
Published on: June 3, 2022
3.7K
