模拟联合学习,以实现多医院的协作,以估计腰椎骨对齐
Andrea Cina1,2,3, Miklovana Tuci1,4, Ferran Pellisé5,6
1Department of Health Sciences and Technology (D-HEST), ETH Zurich Universitätstrasse 2 Zürich Switzerland.
JOR spine
|October 20, 2025
概括
联合学习 (FL) 能够在医院内训练人工智能模型进行脊髓成像,而不会损失隐私. 这种方法与集中式模型的性能相匹配,并超过了本地模型,使所有机构,特别是较小的机构受益.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 脊柱健康 脊柱健康
背景情况:
- 精确的脊柱对齐的放射性参数对于诊断和管理脊柱形至关重要.
- 关键参数包括斜骨斜率,骨盆倾斜,骨盆发病率和腰椎主病,用于腰椎斜骨评估.
- 人工智能 (AI) 在自动化这些评估方面表现有前途,但需要大量,多样化的数据集,这些数据集受到隐私和数据共享方面的限制.
研究的目的:
- 展示联合学习 (FL) 作为训练多家医院的深度学习模型的方法,而不会损害患者的隐私.
- 将FL模型的性能与脊柱成像分析的集中和本地培训方法进行比较.
主要方法:
- 联邦学习 (FL) 用于训练来自四家参与医院的数据的深度学习模型.
- 模型的性能与集中式方法 (汇总数据) 和局部方法 (医院特定模型) 相比进行了评估.
主要成果:
- 联邦式学习 (FL) 实现了与集中式培训相当的性能,误差约为5度.
- FL模型的表现始终优于在个人医院数据上训练的模型,在内部 (~8°) 和外部 (~10°) 测试中显示较低的错误.
结论:
- 联合学习 (FL) 是在脊柱成像中协作AI开发的可行解决方案,克服隐私障碍和数据共享限制.
- FL促进了多样化,多机构数据的使用,提高了不同临床环境中的模型可靠性.
- FL特别有利于较小的医院,使他们能够利用更大的数据集来提高AI模型性能.