基于联合学习,预测多中心非小细胞肺癌患者的治疗反应
Yuan Liu1, Jinzao Huang2,3, Jyh-Cheng Chen3,4
1School of Radiology, Shandong First Medical University and Shandong Academy of Medical Sciences, Taian, China.
BMC cancer
|June 5, 2024
概括
联合学习 (FL) 能够使用多中心数据准确预测非小细胞肺癌 (NSCLC) 治疗反应,同时保持患者的隐私. 这种保护隐私的方法与传统方法相匹配,提供了有价值的临床见解.
科学领域:
- 在瘤学瘤学.
- 辐射疗法 辐射疗法
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 多中心非小细胞肺癌 (NSCLC) 数据集成受到隐私和监管方面的担忧的阻碍.
- 传统的集中式机器学习可能会导致患者数据泄露.
- 联合学习 (FL) 通过在当地培训模型提供了一个保护隐私的解决方案.
研究的目的:
- 开发和评估一个联合学习 (FL) 模型,用于预测非小细胞肺癌 (NSCLC) 治疗反应.
- 将FL模型的性能与传统的集中式深度学习 (DL) 模型进行比较.
- 在多中心环境中确保医疗数据隐私和高预测准确性.
主要方法:
- 从四家医院的245名NSCLC患者的CT图像的回顾性收集.
- 在模拟的两站式环境中比较集中式DL和FL模型.
- 使用来自三个地点的数据开发现实世界FL模型.
- 使用精度,ROC曲线和混矩阵进行性能评估.
主要成果:
- 与传统的集中式学习方法相比,FL模型显示出更高的预测性能.
- 在比较实验中,FL的AUC值为0.725/0.689,略高于DL模型的0.718/0.695.
- 一个真实的FL模型实现了0.698/0.672的AUC,表明了有效的性能.
结论:
- 联合学习 (FL) 模型与卷积神经网络 (CNN) 结合,实现了与集中DL模型可比的性能.
- 在NSCLC患者中,FL有效预测化疗和放射治疗 (CRT) 治疗反应.
- FL方法确保了患者的隐私,同时允许使用多中心数据进行可靠的预测.
