通过联邦瘤细分 (FeTS) 挑战,实现医疗保健人工智能算法的公平分散基准测试
Maximilian Zenk1,2, Ujjwal Baid3,4, Sarthak Pati3,4,5
1German Cancer Research Center (DKFZ) Heidelberg, Division of Medical Image Computing, Heidelberg, Germany.
Nature communications
|July 8, 2025
概括
联合瘤细分 (FeTS) 挑战通过使用真实世界的数据对医学成像进行AI的基准测试. 它发现,虽然算法可以很好地概括,但特定的数据问题可能会导致故障,这凸显了对强大的多站点验证的需求.
科学领域:
- 医学图像分析 医学图像分析
- 医疗保健中的人工智能
- 联合学习学习 (Federated Learning) 是一种联合学习.
背景情况:
- 计算竞赛是对医疗图像分析算法的基准测试的标准.
- 现有的基准使用了小的,精心策划的数据集,不反映现实世界的多中心患者数据多样性.
- 这种差距限制了AI算法在临床实践中的评估.
研究的目的:
- 建立联邦瘤细分 (FeTS) 挑战,用于真实世界的AI性能评估.
- 在国际网站上对联合学习聚合算法和最先进的细分算法进行基准测试.
- 评估AI算法对多样化,多中心数据的概括性和失败模式.
主要方法:
- 在联合学习模拟中比较权重聚合和客户选择技术.
- 利用了32个国际机构的多中心脑瘤数据集.
- 在分布式数据上对细分算法进行了定量性能评估.
主要成果:
- 适应性重量聚合提高了联合学习性能.
- 客户采样技术提供了效率提升.
- 最先进的细分算法显示了良好的平均概括性,但揭示了特定数据的故障模式.
结论:
- 带有自适应聚合和客户端采样的联合学习模拟增强了AI算法评估.
- 多站点验证对于评估医疗保健AI的实际实用性至关重要.
- FeTS挑战提供了一个强大的框架,用于在不同的临床环境中评估AI.
更多相关视频
13:01Industrialized, Artificial Intelligence-guided Laser Microdissection for Microscaled Proteomic Analysis of the Tumor Microenvironment
Published on: June 3, 2022
3.9K
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.9K
