使用超声波图像模拟联合学习来检测肥胖症

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 代谢功能障碍相关的脂肪肝疾病 (MAFLD) 诊断依赖于成像和活检.
• 联合学习 (FL) 为协作模式培训提供了一种保护隐私的方法.
• 数据分布对医学成像中的FL性能的影响尚未完全理解.

研究的目的:

• 评估联合学习算法和数据分区策略,用于在B模式超声图像中检测肥胖症.
• 调查数据分布,类不平衡和数据异质性如何影响FL模型性能.
• 将FL模型的性能与集中和单中心模型进行比较.

主要方法:

• 实施了四种数据分区策略和四种联合学习算法.
• 对私人和公共数据集的回顾性分析,包括患有和没有肥胖症的患者.
• 通过使用接收器操作特征曲线 (AUC) 下的面积来评估分类性能.

主要成果:

• 基于源的分区的联合学习实现了0.93的AUC,与集中式模型 (AUC 0.90) 相比.
• 在单中心场景中训练的模型产生较低的AUC (0.83).
• 数据异质性和类不平衡显著降低了模型性能,当数据为每个站点的类专用时,AUC低至0.34-0.70.

结论:

• 联合学习是使用B模式US图像检测肥胖症的可行方法,其性能与集中方法相提并论.
• 数据分区策略和数据分布 (不平衡和异质性) 极大地影响联合学习模型的结果.
• 仔细考虑数据分布对于优化医疗成像应用中的联合学习至关重要.