多中心隐私保护模型培训深度学习大脑转移自分化自分化
Yixing Huang1, Zahra Khodabakhshi2, Ahmed Gomaa1
1Department of Radiation Oncology, Universitätsklinikum Erlangen, Friedrich-Alexander-Universität Erlangen-Nürnberg, Erlangen, Germany; Comprehensive Cancer Center Erlangen-EMN (CCC ER-EMN), Erlangen, Germany; Bavarian Cancer Research Center (BZKF), Erlangen, Germany.
概括
多中心数据异质性挑战了大脑转移 (BM) 自分化的深度学习. 没有遗忘的学习 (LWF) 提高了在保护隐私的模型通用性,在不共享原始数据的情况下进行同行对同行培训.
科学领域:
- 医学成像分析分析 医学成像分析
- 人工智能在瘤学中的应用
- 放射学和计算病理学
背景情况:
- 对于大脑转移 (BM) 自分化的深度学习模型,由于机构间的数据异质性,面临性能挑战.
- 图像检查方案,患者种群和肌肉病特征的变化导致模型的概括性差.
- 隐私问题往往限制了直接共享数据的合作模式培训.
研究的目的:
- 调查多中心数据异质性对基于深度学习的BM自分化的影响.
- 评估增量转移学习技术的有效性,学习而不忘记 (LWF),以提高模型的概括性.
- 评估保护隐私的双边合作的可行性,使用LWF进行模范培训.
主要方法:
- 利用来自不同机构的6个BM数据集 (UKER,USZ,斯坦福,UCSF,NYU,BraTS挑战2023).
- 通过单中心和混合多中心培训,建立了DeepMedic网络的基线性能.
- 评估保护隐私的转移学习 (TL) 有或没有LWF进行点对点模型共享.
主要成果:
- 单中心训练产生了可变的F1分数 (0.625-0.876). 混合多中心培训改善了一些中心 (斯坦福,纽约大学) 的表现.
- 当在UKER进行预训练的模型被转移到USZ时,与天真TL (0.570) 和单中心训练 (0.688) 相比,LWF获得了显著更高的F1得分 (0.839).
- 在灵敏度,精度和轮精度方面,LWF表现出平衡的改进,而天真的TL则损害了精度.
结论:
- 多中心数据异质性对BM自分化的深度学习模型的概括性提出了重大挑战.
- 没有遗忘的学习 (LWF) 是一个有前途的隐私保护方法,用于对等模型培训,提高无需共享原始数据的概括性.
- LWF有效地解决了数据异质性问题,从而改善了不同中心的BM自细分性能.
