在医疗图像分析的分布式机器学习中,自主监督识别和消除有害数据集

科学领域:

• 人工智能的人工智能
• 机器学习 机器学习
• 医疗成像医学成像

背景情况:

• 分布式学习促进跨机构的协作模式培训,而无需共享数据,增强隐私.
• 局部数据质量的变化和手动检查的局限性阻碍了分布式学习的有效质量控制.
• 自动化质量控制对于可靠的分布式机器学习至关重要,尤其是在医疗保健等敏感领域.

研究的目的:

• 提出一种新的,自我监督的方法,用于在分布式学习中自动识别和消除有害数据.
• 为应对影响分布式模型性能的本地质量控制变化的挑战.
• 为了实现完全自动化的质量控制,消除需要耗时和侵犯隐私的手动数据检查.

主要方法:

• 开发了一种自我监督的学习方法,可以自动检测和删除增加模型误诊率的数据样本.
• 在来自83个帕金森病分类中心的神经成像数据上测试了该方法.
• 模拟了包括有害数据样本的方法,以评估方法的有效性.

主要成果:

• 拟议的方法可靠地识别了分布式培训中使用的有害神经成像数据.
• 该系统在识别专门提供有害数据集的中心方面更有效,而不是在其他清洁数据集中的孤立有害图像.
• 在现实世界的分布式学习场景中证明了自动化质量控制的可行性.

结论:

• 新的自我监督方法有效地识别和删除分布式学习中的有害数据,提高模型可靠性.
• 该方法为在分布式学习环境中实现自动化质量控制迈出了重要一步.
• 虽然在神经成像数据上得到验证,但该方法是应用不可知的,并且广泛适用于各种分布式学习任务.