分散的八相互学习 (GML) 用于自动的头部和部瘤细分
1Department of Radiation Oncology, Columbia University Irving Medical Center 622 W 168th St, New York, NY 10032, United States.
Proceedings of SPIE--the International Society for Optical Engineering
|December 30, 2025
概括
八互助学习 (GML) 通过在没有中央服务器的情况下实现点对点学习来增强分散的医疗AI. 这种方法提高了瘤细分的准确性,并大大减少了与传统联合学习方法相比的通信开销.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 人工智能的人工智能
背景情况:
- 联合学习 (FL) 能够在医疗中心之间进行协作模式培训,而无需共享数据.
- 传统FL对中央服务器的依赖具有单一故障点,并且可能无法针对本地数据变化进行优化.
- 特定站点的数据异质性可能会限制全球训练模型的性能.
研究的目的:
- 引入Gossip相互学习 (GML),这是一个去中心化的框架,用于医疗保健中的协作机器学习.
- 解决集中式FL的局限性,包括服务器漏洞和低于最佳的本地性能.
- 通过一种新的去中心化方法,提高PET/CT图像上的瘤细分精度.
主要方法:
- 开发了Gossip Mutual Learning (GML),这是一个分散的协作学习框架.
- 利用八协议在临床站点之间进行直接的点对点通信.
- 实现相互学习,每个站点使用同行信息优化其本地模型.
- 在PET/CT图像上的瘤细分HECKTOR21数据集上评估的GML.
主要成果:
- 与组合训练,FedAvg和个人训练相比,GML提高了瘤细分性能 (子相似系数) 的3.2%,4.6%和10.4%.
- 在样本外的地点,GML的概括性能与聚合培训和FedAvg的概括性能相似.
- 与FedAvg相比,GML实现了与FedAvg相比,通信开支减少了6倍,仅使用了通信成本的16.67%.
结论:
- 在医疗图像分析方面,GML为传统的联合学习提供了强大的,高效的去中心化的替代方案.
- 该GML框架增强了本地模型的性能,并减少了通信开销,使其适合分布式医疗AI应用.
- 分散的点对点学习有效地解决了多中心医学研究中的数据异质性挑战.
