联邦关注前列腺癌诊断和格里森分级的一致学习模型
Fei Kong1, Xiyue Wang2, Jinxi Xiang3
1Shenzhen International Graduate School, Tsinghua University, Shenzhen, 518055, China.
Computational and structural biotechnology journal
|April 16, 2024
概括
联合注意力一致学习 (FACL) 使人工智能模型能够在不共享私人数据的情况下,在来自多个中心的医疗图像上进行训练. 这种方法可以提高前列腺癌诊断和格里森分级的准确性,同时确保数据隐私.
科学领域:
- 医疗成像中的人工智能
- 为医疗保健提供联合学习.
- 病理图像分析的分析方法
背景情况:
- 人工智能显示出医学成像诊断和治疗的前景.
- 训练人工智能需要大量的数据集,这给多中心数据带来隐私挑战.
- 联合学习允许在不共享原始数据的情况下进行协作培训.
研究的目的:
- 引入一个联合的注意力一致学习 (FACL) 框架.
- 解决大规模病理图像分析和数据异质性的挑战.
- 为了提高AI模型的概括性,并确保医疗成像AI中的隐私.
主要方法:
- 开发了一个联合注意力一致学习 (FACL) 框架.
- 在本地客户端和服务器模型之间最大化了注意力一致性.
- 通过在参数传输过程中添加噪声来实现内置的差异隐私.
主要成果:
- 在前列腺癌诊断中,FACL获得了0.9718的AUC,超过了七个中心 (平均AUC为0.9499).
- 在格里森评分中,FACL获得了0.8463的卡帕得分,超过了六个中心 (平均卡帕0.7379).
- 该框架在19461张前列腺癌全幻灯片图像上得到了验证.
结论:
- FACL为前列腺癌病理学提供了一个强大而准确的AI培训模型.
- 该框架增强了模型的概括性,并保持了数据隐私.
- 在医疗成像中,FACL为AI开发提供了具有成本效益的解决方案.
