针对多发性硬化症病变细分的联合学习:现实世界多中心可行性研究
Sarah Hindawi1, Bartlomiej Szubstarski2, Eric Boernert3
1Hoffmann-La Roche Limited, Mississauga, ON, Canada.
Frontiers in neurology
|September 26, 2025
概括
联合学习 (FL) 实现了安全的,协作AI多发性硬化症 (MS) 病变细分在多个医院,而无需共享患者数据. 这种方法对推进自动神经成像分析的前景有希望,同时遵守隐私法规.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 多发性硬化症 (MS) 是一种慢性,致残的神经炎症性疾病.
- 在MRI上精确细分MS病变对于疾病监测和治疗评估至关重要.
- 手动细分是劳动密集型和可变的;自动化方法需要大型,多样化的数据集,这给隐私和数据共享带来了挑战.
研究的目的:
- 在现实临床环境中应用和评估联合学习 (FL) 进行多发性硬化症 (MS) 病变的自动细分.
- 评估使用FL在分布式数据集上训练人工智能模型的可行性,而不影响患者的隐私.
主要方法:
- 在联邦学习框架内使用自配置nnU-Net模型.
- 在没有直接共享数据的情况下,对来自三个不同的临床场所的512例MRI病例进行了模型训练.
- 在持有测试集上使用Dice得分评估模型性能.
主要成果:
- 联合模型在测试组中实现了0.66到0.80之间的Dice分数.
- 性能在各个站点上有所不同,表明数据异质性的影响.
- 在分布式神经成像中展示了FL在可扩展和安全AI方面的潜力.
结论:
- 联合学习提供了一种可行的,保护隐私的方法,用于开发强大的AI工具,用于MS病变细分.
- 这种方法促进了神经成像领域的协作人工智能开发,解决了数据隐私和监管问题.
- 支持采用安全,协作AI用于医学研究和临床应用.
