FedDL:个性化联合深度学习,用于增强糖尿病视网膜病变的检测和分类

科学领域:

• 医学成像和人工智能 医学成像和人工智能
• 眼科和糖尿病并发症 眼科和糖尿病并发症

背景情况:

• 糖尿病视网膜病变 (DR) 是导致视力丧失的主要原因,需要准确和可访问的诊断方法.
• 手动评分DR是劳动密集型,容易出错,并对全球数据共享和隐私构成挑战.
• 发展中国家面临眼科医生短缺的问题,这凸显了对自动化和安全的DR评估工具的需求.

研究的目的:

• 开发一个保护隐私的系统来监控医疗设施,并培训DR诊断的深度学习 (DL) 模型.
• 实施联合学习 (FL) 以实现DL模型的分散培训,确保患者数据的保密性.
• 评估联合深度学习 (FedDL) 在区分DR阶段的性能,使用基底图像.

主要方法:

• 采用一个联邦学习 (FL) 框架,用于在fundus图像上分散培训五个DL模型.
• 利用了公开可用的数据集,包括印度糖尿病视网膜病变图像数据集 (IDRiD) 和视网膜结构分析 (STARE).
• 在一个分散的FL环境中训练ResNet50模型,以确保在各种数据集中进行概括.

主要成果:

• 在FL框架内的五个评估的DL模型中,在区分DR阶段方面取得了高准确率:94.66%,82.07%,92.19%,80.02%和91.81%.
• 证明FL可以在不暴露敏感临床信息的情况下为DL模型提供集体培训.
• 与传统的集中式学习方法相比,在隐私和性能方面取得了显著的改进.

结论:

• 联合深度学习 (FedDL) 为DR诊断提供了强大而安全的解决方案,提高了准确性并保护了患者的隐私.
• FL方法在克服医疗图像分析集中学习的局限性方面是有效的,特别是在多机构环境中.
• 这项研究为人工智能在眼科领域的更广泛采用铺平了道路,促进了全球合作,改善了糖尿病护理中的患者结果.