在多中心MRI数据集上进行瘤细分和分类的联合学习
Dat-Thanh Nguyen1,2, Maliha Imami3, Lin-Mei Zhao3
1Tufts University School of Medicine, Boston, Massachusetts, USA.
Journal of magnetic resonance imaging : JMRI
|May 19, 2025
概括
联合学习 (FL) 的表现与使用多机构MRI数据进行瘤细分和分类的传统方法相提并论. 这种保护隐私的方法是开发通用深度学习模型的可行替代方案.
科学领域:
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
- 瘤学研究的研究.
背景情况:
- 深度学习 (DL) 模型需要多中心数据来实现瘤特征的概括性.
- 数据共享的限制需要隐私保护技术,如联合学习 (FL).
研究的目的:
- 评估FL在瘤细分和分类方面的性能和可靠性.
- 在多机构MRI数据集上比较FL与非FL方法.
主要方法:
- 一项回顾性多中心研究包括987名患有脏瘤的患者.
- FL和非FL模型 (分段的nnU-Net,分类的ResNet) 被训练和测试.
- 使用Dice系数进行分段和AUC,准确度,灵敏度和特异性进行分类来评估性能.
主要成果:
- 在细分方面,FL和非FL模型之间没有发现显著差异 (Dice:0.43与0.45,p=0.202).
- 分类性能也没有显著差异 (AUC:0.69与0.64,p=0.959).
- 精度,灵敏度和特异性指标在FL和非FL方法之间是可比的.
结论:
- 联合学习 (FL) 提供了与传统的集中训练可比的性能,用于瘤细分和分类.
- FL是一个有希望的隐私保护解决方案,用于多机构深度学习模型的开发.
- 这证实了FL在提高AI模型在医学成像中的通用性方面的潜力.


