一种多中心分布式学习方法用于帕金森病的分类,使用旅行模型范式

科学领域:

• 医疗成像医学成像
• 机器学习 机器学习
• 神经学 神经学

背景情况:

• 由于数据隐私问题,集中式机器学习 (ML) 在医疗保健方面面临挑战.
• 以前的联合学习 (FL) 和旅行模型 (TM) 研究使用了有限的中心或模拟,质疑现实世界的适用性.
• 旅行模型 (TM) 设置对有限的数据有效,但尚未应用于医学图像分类.

研究的目的:

• 开发和评估一个卷积神经网络 (CNN) 用于帕金森病的分类使用TM设置.
• 在现实场景中评估TM的有效性,使用来自众多中心和有限样本的各种数据.
• 为了证明TM对3D医学图像分类的适用性.

主要方法:

• 使用了一个卷积神经网络 (CNN) 架构.
• 使用旅行模型 (TM) 分布式学习设置.
• 在来自83个不同的现实世界中心的3D医学成像数据上训练模型,其中大多数贡献的是小型训练样本.

主要成果:

• 经过TM训练的CNN实现了83%的接收器运行特征曲线 (AUROC) 下的区域,与中央训练模型的80%的AUROC相匹配或略超过.
• 在复杂的,现实世界的分布式学习场景中证明TM的有效性,数据分布异质.
• 展示了TM在训练CNN的能力,即使每个中心的训练样本有限.

结论:

• 移动模型 (TM) 对于3D医疗图像分类非常有效,特别是在有限且异质的分布式数据中.
• 这种方法对于训练使用来自小型,偏远医疗中心的数据的ML模型以及罕见疾病非常重要.
• TM的简单性使其能够广泛应用于各种深度学习任务,增强各种医疗设施的临床实用性.