群体学习网络保护隐私和协作深度学习辅助骨折诊断:一个多中心诊断研究
Yi Xie1,2, Xinmeng Wang3, Huiwen Yang2,4
1Department of Orthopedics Surgery, Union Hospital, Tongji Medical College, Huazhong University of Science and Technology, Wuhan, China.
Frontiers in medicine
|July 18, 2025
概括
这项研究介绍了一种基于区块链的新型群体学习 (SL) 框架,用于在医学图像中以人工智能驱动的骨折检测. 这种去中心化的方法确保了数据隐私,同时实现了高诊断准确性,超过了初级临床医生.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 分散式机器学习 (Machine Learning) 是一种分散式的机器学习.
背景情况:
- 医疗诊断的集中人工智能模型引发了数据隐私和安全方面的担忧.
- 群体学习 (SL) 为协作人工智能培训提供了去中心化的方法,保留了数据的本地化.
- 由于多机构数据协调的挑战,缺乏用于断裂识别的分布式学习模型.
研究的目的:
- 开发和验证基于区块链的SL框架,用于保护隐私的多机构断裂图像分析.
- 将SL框架的性能与集中AI模型和临床医生的性能进行比较.
- 为满足医疗成像安全,协作AI培训的关键需求.
主要方法:
- 从4家中国医院回顾收集了4,581张膝关节图像 (2013年12月 - 2023年7月).
- 开发适用于SL的可解释物体检测算法 (YOLOv8n-cls).
- 建立并验证维护隐私的SL系统,包括外部验证和112名患者的未来临床评估.
主要成果:
- 在平衡数据集上,SL模型实现了强大的性能 (AUROC 0.991 ± 0.003,精度 0.960 ± 0.013).
- 外部验证显示,与集中式模型 (AUROC 0.953 ± 0.016) 的性能可比,同时保持数据隐私.
- 在临床上,SL系统实现了86.8%的诊断准确度,并在91.5%的病例中帮助治疗决策.
结论:
- 基于区块链的SL为医疗成像中的分布式AI培训提供了一个安全的,保护隐私的范式.
- 该框架可以实现有效的多中心协作,而不会影响数据安全.
- 这种方法特别适用于紧急骨科诊断和现代医疗保健.