联合预测用于可扩展和隐私保护的基于知识的放射治疗规划
Jingyun Chen1, David Horowitz1,2, Yading Yuan1,3
1Department of Radiation Oncology, Columbia University Irving Medical Center, New York, NY, USA.
ArXiv
|June 5, 2025
概括
像FedKBP+这样的联合学习平台通过克服数据挑战来增强放射治疗规划. 在预测任务中,FedKBP+表现出有效性和效率,提高了机构间模型的通用性.
科学领域:
- 医学物理 医学物理
- 人工智能的人工智能
- 辐射疗法 辐射疗法
背景情况:
- 在放射治疗规划中的深度学习面临着由于数据稀缺性和异质性而导致模型概括性的挑战.
- 由于隐私和技术障碍,跨机构的数据共享是困难的.
研究的目的:
- 开发FedKBP+,用于放射治疗治疗规划中的预测任务的联合学习 (FL) 平台.
- 为了解决数据共享的困境,同时提高模型性能.
主要方法:
- 使用谷歌远程程序调用 (gRPC) 实现了一个统一的通信堆.
- 开发了中央集权和完全分散的FL模型,并进行了点对点通信.
- 在使用规模关注网络 (SA-Net) 模型对三个预测任务进行了FedKBP+的评估.
主要成果:
- 联合FedAvg的FedKBP+优于本地培训,并与3D剂量预测的中央训练模型相匹配 (OpenKBP挑战).
- 在脑瘤细分 (BraTS挑战) 的精度和效率方面,FedKBP+超过了NVFlare.
- 在 FedKBP+ 中的一种新型去中心化的 FL 算法在器官细分 (PanSeg 数据集) 中表现出对位点故障的稳定性.
结论:
- FedKBP+是一个高效,高效,强大的辐射疗法联合学习平台.
- 该平台显示了提高AI在放射治疗规划中的临床采用率的巨大潜力.
