改进个性化联合学习以优化计算机辅助检测/诊断中的特定站点性能
Aiki Yamada1,2, Shouhei Hanaoka2, Tomomi Takenaga2
1Chiba University, Graduate School of Science and Engineering, Department of Medical Engineering, Chiba, Japan.
Journal of medical imaging (Bellingham, Wash.)
|October 24, 2025
概括
改进的Ditto增强了医疗成像AI的个性化联合学习 (PFL). 这种方法稳定了模型更新,并降低了计算机辅助检测/诊断 (CAD) 软件的调整成本.
科学领域:
- 人工智能的人工智能
- 机器学习 机器学习
- 医疗成像医学成像
背景情况:
- 个性化联合学习 (PFL) 解决了人工智能中的数据异质性和隐私问题.
- 同样,PFL方法面临着不稳定的更新和高调节成本的挑战.
- 计算机辅助检测/诊断 (CAD) 软件中的PFL应用正在调查中.
研究的目的:
- 为了引入改进的Ditto,一种新的PFL方法.
- 为了提高稳定性和降低PFL中的超参数调节成本.
- 将PFL应用于计算机辅助检测/诊断 (CAD) 软件.
主要方法:
- 开发了一个个性化的模型更新规则,用于改进Ditto.
- 动态调整的全球模型重量基于L2标准的梯度和全球模型术语.
- 对三个CAD任务进行了评估:动脉瘤检测,转移检测和肝损伤分类.
主要成果:
- 改进的Ditto在3个CAD任务中的2个中表现出了与Ditto和其他联合学习方法的竞争性表现.
- 实现了缩小超参数搜索空间,降低了调整成本.
- 提高了个性化模型更新的稳定性,表明了更好的适应性.
结论:
- 动态调整全球模型重量可以提高PFL的稳定性和适应性.
- 改进的Ditto为PFL提供了降低的超参数调整成本.
- 拟议的方法显示了计算机辅助检测/诊断 (CAD) 软件的潜在好处.
