异步联合学习用于基于网络的OCT图像分析

科学领域:

• 医学成像分析 医学成像分析
• 医疗保健中的人工智能
• 分散式机器学习 (Machine Learning) 是一种分散式的机器学习.

背景情况:

• 集中式机器学习模型面临着数据访问和医学成像专家合作的挑战.
• 隐私问题和数据孤岛阻碍了医疗保健强大的AI模型的开发.
• 分散方法为协作模式培训提供了一个解决方案,同时保持数据隐私.

研究的目的:

• 调查医疗成像任务的异步联合学习 (FL),重点是数据隐私和协作模型培训.
• 评估FedBuff算法在光学连贯断层扫描 (OCT) 视网膜图像分类中的性能.
• 评估基于浏览器的系统的可行性,以在现实世界的医疗应用中实现交互式,协作式FL.

主要方法:

• 探索异步联合学习 (FL) 算法,FedBuff,用于OCT图像分类.
• 将FedBuff的性能与同步算法 (如FedAvg和集中模型) 的性能进行比较.
• 开发基于浏览器的概念验证系统,以评估交互式FL功能.

主要成果:

• 费德巴夫在OCT二元分类中表现出可接受的准确性,但在复杂的多类任务中表现较差.
• FedAvg取得了与集中培训相似的结果,验证了其有效性.
• 基于浏览器的原型突出了可访问的FL系统的潜力,但也暴露了计算和通信网络标准的技术限制.

结论:

• 使用FedBuff的异步FL为医疗图像分类提供了一种可行的,保护隐私的方法,特别是当同步参与不可行时.
• 异步FL对复杂分类任务的可扩展性需要进一步研究.
• 基于Web的FL实现可以提高协作AI工具的可访问性,但需要解决当前的技术限制.