分散的八相互学习 (GML) 用于在多参数MRI上进行脑瘤细分
1Department of Radiation Oncology at Columbia University Irving Medical Center, New York, NY 100032 USA.
IEEE EMBS Special Topic Conference on Data Science and Engineering in Healthcare, Medicine and Biology
|January 9, 2026
概括
八相互学习 (GML) 提供了一个去中心化的方法,用于医疗成像的联合学习 (FL),提高模型性能并降低与传统方法相比的通信成本.
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:
- 联合学习 (FL) 促进医疗机构之间的协作培训,而无需共享数据.
- 集中式FL模型面临来自服务器故障和由于数据异质性而导致性能下降的风险.
- 需要分散的方法来克服传统FL的局限性.
研究的目的:
- 推出Gossip Mutual Learning (GML),这是一个新的分散的FL框架.
- 为了提高模型性能和减少医学成像任务中的通信开销.
- 通过局部模型优化解决临床场所数据变异的问题.
主要方法:
- 实施了使用Gossip协议进行点对点通信的去中心化框架.
- 整合了相互学习,以优化每个站点的本地模型.
- 使用BraTS 2021数据集 (146例,4个地点) 评估瘤细分的性能.
主要成果:
- 与本地模型相比,GML表现出优越的性能.
- GML实现了与FedAvg (联邦平均) 方法相比较的业绩.
- 与传统的FL方法相比,GML减少了75%的通信开销.
结论:
- 在医疗应用中,GML为传统的FL提供了有效的去中心化替代方案.
- 该框架解决了服务器故障风险,并改善了异质数据的性能.
- GML显著降低了通信成本,使协作培训更有效.
