一个多中心膀癌MRI数据集和临床应用中联合学习的基线评估
Kangyang Cao1,2,3, Yujian Zou4, Chang Zhang1,2
1Medical AI Lab, School of Biomedical Engineering, Shenzhen University Medical School, Shenzhen University, Shenzhen, 518060, China.
Scientific data
|October 18, 2024
概括
联合学习 (FL) 能够通过使用多机构MRI数据对膀癌 (BCa) 的人工智能模型进行协作训练,同时保持患者的隐私. 这种方法已被验证用于诊断肌肉侵入性膀癌和细分瘤.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 膀癌 (BCa) 是一种普遍存在的尿道系统恶性瘤.
- 人工智能用于BCa诊断的临床应用正在增长.
- 在多机构数据上训练人工智能模型引发了患者隐私方面的担忧.
研究的目的:
- 为了介绍一个多中心的膀癌 (BCa) 磁共振成像 (MRI) 数据集.
- 评估用于保护隐私的人工智能模型培训的联合学习 (FL) 方法.
- 为了确定BCa诊断任务的基线性能,使用FL.FL.
主要方法:
- 开发一个多中心BCa数据集,包含来自四个机构的275个3D T2加权MRI扫描.
- 包括肌肉侵袭的病理标签和像素级瘤注释.
- 应用四种联合学习 (FL) 方法用于模型培训和评估.
主要成果:
- 这项研究提出了一个新的,保护隐私的多中心数据集,用于膀癌症研究.
- 联合学习 (FL) 方法已成功应用于诊断肌肉侵入性膀癌.
- 在自动膀瘤病变细分任务中,FL证明了它的实用性.
结论:
- 联合学习 (FL) 为在膀癌诊断中保护隐私的AI开发提供了可行的解决方案.
- 提出的数据集和FL评估为未来在BCa.a.领域的多机构人工智能研究提供了基础.
- 这项工作突出了FL在医疗成像中推进AI的潜力,同时保护患者数据.
