基础模型驱动的分布式学习,用于增强视网膜年龄预测

科学领域:

• 眼科和医学成像学
• 机器学习和人工智能的人工智能
• 生物标志物发现发现

背景情况:

• 视网膜年龄差距 (RAG) 显示为系统性疾病的生物标志物具有前途.
• 从 fundus 图像进行准确的 RAG 预测需要强大的机器学习模型.
• 数据多样性的局限性阻碍了可概括的RAG预测模型的开发.

研究的目的:

• 开发一个计算效率高的分布式学习框架,用于视网膜年龄预测.
• 通过使用多样化且潜在有限的数据集,实现准确的RAG预测.
• 加强RAG作为疾病生物标志物的临床实用性.

主要方法:

• 利用一个8位量子化基础模型 (RETFound) 来从 fundus 图像中提取特征.
• 雇员联合学习 (FL) 和旅行模型 (TM) 用于线性回归头部的分布式训练.
• 使用英国生物银行和BRSET数据集评估框架,包括1型糖尿病患者.

主要成果:

• 分布式学习框架实现了与集中式方法 (MAE ~3.6年) 相比的性能.
• 旅行模型 (TM) 显示了比联合学习 (FL) 更快的趋同.
• 与对照组相比,在1型糖尿病患者中观察到明显更高的RAG值 (P < .001).

结论:

• 开发的框架具有计算和内存效率,适合资源有限的环境.
• 分布式学习通过整合来自不同人群的数据来提高RAG模型的概括性.
• 这种方法提高了RAG作为疾病生物标志物的可访问性和临床实用性.