通过因果学习和区块链进行可解释的联合医学图像分析

科学领域:

• 人工智能的人工智能
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 联合学习 (FL) 促进在分布式私有医疗数据上的协作模式培训.
• 医学图像分析FL的挑战包括高通讯开销和数据异质性.
• 现有的FL方法缺乏足够的解释性和对临床部署的信任.

研究的目的:

• 提出与可解释的人工智能 (XAI) 集成的新型FL技术,以实现高效,准确和可靠的医学图像分析.
• 解决医疗成像FL的通信开销和数据异质性挑战.
• 通过提高可解释性和信任性来提高FL的临床可行性.

主要方法:

• 实施了具有异质性意识的因果学习方法,以根据因果贡献选择性地分散模型权重,减少沟通.
• 利用区块链进行客户端数据集的分散质量评估,告知聚合权重.
• 集成的XAI提供基本的模型解释和信任机制.

主要成果:

• 与XAI集成的FL框架显示了提高效率,准确性和可解释性.
• 因果学习显著降低了通信开销,同时保持了医疗图像细分的准确性.
• 基于区块链的数据估值有效地缓解了低质量的本地数据集的性能下降.

结论:

• 拟议的XAI集成FL框架为医疗图像分析提供了高效,准确和可靠的解决方案.
• 因果学习和基于区块链的数据估值是克服医疗保健FL挑战的有效策略.
• 该框架的可解释性和信任机制为医学成像学中联合学习的更广泛临床采用铺平了道路.