协调TM:多中心数据协调应用于分布式学习,用于帕金森病分类

科学领域:

• 医疗成像医学成像
• 机器学习 机器学习
• 分布式学习 分布式学习

背景情况:

• 分布式学习可以在不同的数据集上训练机器学习 (ML) 模型,同时遵守数据共享法规.
• 移动模型 (TM) 方法对有限的本地数据集有利,但当中心使用不同的采集设备时,容易受到扫描器诱导的偏差的影响.
• 现有的数据协调方法通常需要大型或配对的数据集,在分布式环境中是不切实际的.

研究的目的:

• 推出HarmonyTM,这是一种专门为TM方法在分布式学习中设计的新型数据协调技术.
• 为了减轻由多中心扫描仪在神经成像数据集中的变化引起的特征表示偏差.
• 在临床应用中提高ML模型的准确性,例如帕金森病分类,通过防止依赖扫描器特定的文物.

主要方法:

• 哈尔TM采用对抗训练,以从机器学习模型中使用的特征中删除扫描器特定的偏差.
• 该方法是为旅行模型 (TM) 框架量身定制的,可以在多个中心进行连续的培训.
• 对来自83个中心的多中心3D神经成像数据集进行了评估,使用了23个不同的扫描仪.

主要成果:

• 在TM设置中,HarmonyTM提高了帕金森病 (PD) 分类准确度,从72%提高到76%.
• 该方法显著降低了模型根据扫描仪类型对数据进行分类的能力,精度从53%降至30%.
• 这些改进是在不需要大型或配对数据集的情况下实现的.

结论:

• 在使用TM方法的分布式学习环境中,HarmonyTM有效地协调了3D神经成像数据.
• 该方法通过防止分类器利用扫描器特定的变异,成功地将快捷方式的学习降到最低.
• 在开发强大且适用于临床的ML模型方面,HarmonyTM非常重要,因为它可以确保疾病分类独立于数据采集硬件.