一种保护隐私的方法,有效利用分布式数据用于疟疾图像检测

科学领域:

• 医学成像分析分析 医学成像分析
• 机器学习在医疗保健中的应用
• 寄生虫学的寄生虫学

背景情况:

• 疟疾是由Plasmodium falciparum引起的,感染红细胞,需要早期检测系统.
• 疟疾数据集的视觉复杂性需要广泛的数据来进行有效的机器学习 (ML) 模型训练.
• 数据共享受到GDPR和DPA等隐私法规的阻碍,限制了协作研究.

研究的目的:

• 开发一个有效的计算机辅助系统,用于早期发现疟疾.
• 通过联合学习 (FL) 克服数据共享的局限性.
• 在疟疾图像分析的FL框架内评估ML模型的性能.

主要方法:

• 利用一个具有实时医疗图像数据的联合学习 (FL) 框架.
• 使用的最先进的ML模型:DenseNet和ResNet-50.
• 在不同客户端配置的27,560张图像的疟疾数据集上进行了实验.

主要成果:

• 在8个客户端中,DenseNet实现了比ResNet-50 (72%) 更高的准确性 (75%).
• 这两种模型的准确性 (94%) 与四个客户的准确性相似.
• 丹斯网 (92%) 的业绩超过了ResNet-50 (72%) 的业绩,拥有6个客户.

结论:

• 联合学习通过分散的学习和本地适应提高了疟疾检测的ML模型准确性.
• FL框架有效地确保数据隐私,符合GDPR和DPA.
• 这项研究证明了FL在协作医疗图像分析中的可行性,同时保持了患者数据的机密性.