用DICOM结构化报告创建多模式数据集,用于联合学习

科学领域:

• 医疗信息学 医疗信息学
• 人工智能在医学中的应用
• 数据科学数据科学数据科学

背景情况:

• 联合学习面临着异质医疗数据集的挑战,包括各种数据格式,命名,注释和质量.
• 多模式学习模式需要强大的数据集协调,统一的数据表示和有效的过来成功实施.

研究的目的:

• 开发一个开放的数据集成和交互式过平台,以简化在多个站点创建一致的多模式患者队列.
• 通过证明对不同数据类型的适用性和为联合培训简化数据集来扩展先前的工作.

主要方法:

• 在Python深度学习管道中使用DICOM结构化报告来标准化成像和非成像数据的链接.
• 开发了一个开放的平台,具有交互式过功能,用于多站点数据集成和队列创建.
• 应用平台协调成像 (CT),波形 (ECG) 数据,注释 (细分,点集) 和元数据,为一个联合学习联盟.

主要成果:

• 在八所大学医院成功创建了协调的多模式数据集,用于预测最小侵入性心脏门更换后的结果.
• 证明了对各种数据类型的并发过能力,包括成像,波形,注释和元数据.
• 简化数据集创建以进行联合培训,克服数据异质性的挑战.

结论:

• 用DICOM结构化的报告有效地弥合了成像和信息系统,使得任意数据类型的并发查询成为可能.
• 开发的平台有助于在联合学习中创建有意义的队列,用于多中心数据分析.
• 开放的平台和模板可用于促进用于医学研究的可重复的多模式数据集创建.