一个基于meta-learning的强大的联合学习,用于诊断肺腺癌和肺结核颗粒瘤

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
• 计算病理学计算病理学

背景情况:

• 使用CT图像在单独的肺固体结节 (SPSNs) 中区分肺腺癌 (LAC) 和结核粒瘤 (TBG) 对于临床医生来说是具有挑战性的.
• 准确的非侵入性诊断方法对于改善TBG和LAC的识别至关重要.

研究的目的:

• 通过使用多机构CT成像数据,开发SPSN中TBG和LAC的隐私保护诊断模型.
• 为了提高诊断准确性,在联合学习框架内利用元学习方法.

主要方法:

• 采用了一个联合学习框架,结合元学习来训练来自六个机构的1,026名患者的CT数据集上的个性化联合学习签名 (PFLS).
• 数据被分为五个队伍内的培训和测试集,确保原始数据留在当地机构.
• 模型性能使用ROC,AUC,DCA,NRI和IDI指标进行评估.

主要成果:

• 与替代方法相比,PFLS模型取得了优异的性能,AUC在训练组中从0.866-0.939不等,在测试组中从0.808-0.927不等.
• NRI和IDI表明,拟议方法和临床模型之间的AUC有显著差异.
• 决策曲线分析表明,拟议的PFLS方法的净收益较高.

结论:

• PFLS模型有效地减轻了局部医院样本规模有限造成的过.
• 这种方法通过适应不同机构的数据异质性来解决单一全球模型的局限性.
• 开发的方法为诊断SPSN中的TBG和LAC提供了强大且保护隐私的解决方案.