针对癌症的多模式联合学习,在非IID数据集上进行分期,具有不平衡的模式

科学领域:

• 人工智能的人工智能
• 医疗信息学 医疗信息学
• 计算生物学 计算生物学

背景情况:

• 机器学习 (ML) 和联合学习 (FL) 显示了通过医学图像分析进行癌症分期的前景.
• 整合多种患者数据 (例如图像,基因组学,临床数据) 的多模式学习框架对于精确的癌症分期至关重要.
• 现有的多模式FL方法通常假定机构之间具有统一的数据模式访问,这是不现实的.

研究的目的:

• 开发一种新的联合学习 (FL) 架构,用于多模式的癌症分期,以适应机构间的数据和模式异质性.
• 为了应对多式联机飞行中的挑战,例如由于不同的数据方式而导致不同的融合速度.
• 提出分布式梯度混合和接近意识的客户权重策略,以实现强大的多式联运FL.

主要方法:

• 引入了一种新的FL架构,支持各参与机构的非统一数据模式.
• 开发了一种分布式梯度混合和接近意识的客户权重策略,以管理融合异质性.
• 使用癌症基因组图谱 (TCGA) 数据湖进行实验,其中包含mRNA序列,基因病理图像和临床数据.

主要成果:

• 拟议的FL架构有效地处理多模式癌症分期中的数据和模式异质性.
• 梯度混合和客户权重策略改善了在异质环境中的模型融合和性能.
• 分析揭示了基于类型的异质性与基于类型的异质性对模型结果的明显影响.

结论:

• 新的FL架构为多模式癌症分期提供了更现实的,更有效的方法.
• 解决数据模式不统一性对于成功的医疗保健联合多模式学习至关重要.
• 这项工作促进了对癌症研究多模式FL数据异质性的理解.