使用Swarm Learning进行分散的,保护隐私的外科视频分析
Oliver Lester Saldanha1,2, Kevin Pfeiffer1, Sebastian Bodenstedt3,4
1Else Kroener Fresenius Center for Digital Health, Faculty of Medicine and University Hospital Carl Gustav Carus, TUD Dresden University of Technology, Dresden, Germany.
medRxiv : the preprint server for health sciences
|November 19, 2025
概括
手术视频分析中的人工智能正在以弱监督的深度学习和群体学习来推进. 这种保护隐私的方法使多中心协作成为可能,实现了与尾炎分期集中学习可比的性能.
科学领域:
- 人工智能的人工智能
- 机器学习 机器学习
- 手术视频分析手术视频分析
背景情况:
- 目前手术视频分析中的人工智能受限于手动注释和数据隐私问题,阻碍了多中心协作.
- 缺乏患者层面的结果整合限制了AI模型的临床实用性.
- 数据隐私问题阻碍了腹腔镜视频数据的共享.
研究的目的:
- 开发和评估一条管道,将弱监督深度学习与Swarm Learning集成,用于保护隐私的协作外科视频分析.
- 解决人工智能驱动的外科视频分析中手动注释和数据隐私的局限性.
- 评估去中心化学习在尾炎患者患者级疾病分期任务中的性能.
主要方法:
- 开发了一个管道,将弱监督的深度学习与Swarm Learning结合起来,这是一个没有数据集中的分散式方法,用于在没有数据集中的情况下进行协作模型培训.
- 利用了来自六个国际中心的397次腹腔镜尾切除记录的数据集.
- 评估了对穿孔尾炎的二进制检测,腹腔镜尾炎分级和组织病理炎症分级的模型性能.
主要成果:
- 最佳配置包括每秒1.0的采样和SurgTempoNet架构用于尾炎分级.
- 群体学习始终优于单一中心培训,并在所有疾病分期任务中匹配集中式学习表现.
- 用户调查发现硬件故障和有限的电子健康记录集成是临床实施的障碍.
结论:
- 弱监督的深度学习可以从手术视频中预测患者水平的结果.
- 群体学习可以实现保护隐私的多中心协作,实现与集中式学习相美的性能.
- 分散式学习在推进手术视频分析中的协作人工智能方面具有重大潜力,特别是当与电子健康记录集成时.
