在分布式医学成像中解决数据异质性,使用异态同步学习
Hang-Tong Hu1, Ming-De Li1, Xin-Xin Lin1
1Department of Medical Ultrasonics, Institute of Diagnostic and Interventional Ultrasound, the First Affiliated Hospital of Sun Yat-sen University, Guangzhou, China.
Nature communications
|October 24, 2025
概括
医学成像中的异质数据是分布式AI的一个挑战. 异步学习 (HSL) 使用共享任务和辅助学习架构克服了这一问题,提高了AI性能,并实现了公平的医疗保健协作.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 分布式系统 分布式系统
背景情况:
- 数据异质性是医疗成像分布式AI的一个重要障碍.
- 现有的方法很难有效地解决跨机构的多样化数据分布问题.
研究的目的:
- 引入 HeteroSync Learning (HSL),这是一个新的隐私保护框架,旨在减轻分布式医疗AI中的数据异质性.
- 在异构的医疗数据集上训练的AI模型的性能和概括能力的提高.
主要方法:
- 开发 HeteroSync Learning (HSL) 框架,结合一个共享任务 (SAT) 来实现表示对齐.
- 实施辅助学习架构,以协调SAT与本地主要任务.
- 通过大规模模拟和现实世界多中心甲状腺癌研究进行验证.
主要成果:
- 与基准方法相比,HSL表现出卓越的稳定性和性能,在曲线下面积 (AUC) 中增加了高达40%.
- HSL与中央学习表现相匹配,在分布之外的数据上显示出优越的概括性,在儿科甲状腺癌数据上达到0.846 AUC.
- 可视化证实了HSL在同质化异质数据分布方面的有效性.
结论:
- HeteroSync Learning (HSL) 为分布式医疗AI提供了有效的解决方案,解决了关键数据异质性挑战.
- HSL使各机构之间的公平合作成为可能,推动医疗保健AI的民主化.
- 该框架显示了改善人工智能模型稳定性和可通用性在现实世界医疗应用中的重大前景.
