调查数据异质性对使用医学成像学联合学习算法的性能的影响
Muhammad Babar1, Basit Qureshi2, Anis Koubaa1
1Robotics and Internet of Things Lab, Prince Sultan University, Riyadh, Saudi Arabia.
PloS one
|May 15, 2024
概括
联合学习 (FL) 性能随着医学成像中的数据异质性而下降. 需要创新策略来改进各种医疗保健数据集的FL.
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) 是一种保护隐私的技术,在医学成像中越来越多地使用.
- 数据异质性,即数据分布在参与者之间有所不同,对FL算法构成了重大挑战.
- COVIDx CXR-3 数据集为评估医学成像中的FL性能提供了一个现实的案例研究.
研究的目的:
- 调查数据异质性对医学成像中的联合学习算法的影响.
- 为了比较 Federated Averaging (FedAvg) 在非相同且独立分布的 (non-IID) 与相同且独立分布的 (IID) 数据上的性能.
- 突出需要先进的FL策略来解决医疗保健中的数据多样性.
主要方法:
- 使用COVIDx CXR-3数据集进行案例研究.
- 实施和评估了联邦平均算法 (FedAvg).
- 在非IID和IID数据条件下比较算法性能.
主要成果:
- 随着数据异质性的增加,观察到FedAvg的显著性能下降.
- 与IID数据相比,非IID数据场景的准确性和可靠性较低.
- 该研究量化了归因于数据多样性的绩效差距.
结论:
- 数据异质性对医疗成像中联合学习的实际应用提出了关键的挑战.
- 目前的FL算法,如FedAvg,与非IID数据作斗争,需要进一步的研究和开发.
- 未来的工作应该集中在为多样化和敏感的医疗保健数据环境量身定制的强大FL策略的创建上.


