通过对异质数据的联合转移学习进行皮肤疾病诊断.

科学领域:

• 皮肤病学和人工智能研究
• 医疗信息学 医疗信息学
• 计算健康 计算健康

背景情况:

• 皮肤疾病在全球范围内带来了重大的身体和心理健康挑战.
• 准确和及时的诊断对于有效的皮肤病治疗至关重要.
• 机器学习 (ML) 和深度学习 (DL) 显示出提高诊断准确性的前景,但需要大量数据集.

研究的目的:

• 开发一个保护隐私的联合转移学习框架,用于皮肤疾病诊断.
• 为了解决医疗保健数据共享中的数据短缺和隐私问题.
• 提高皮肤病诊断工具的效率和准确性.

主要方法:

• 使用密集神经网络 (DNN) 的转移学习进行初始皮肤疾病检测.
• 采用预先训练的特征提取架构,然后进行DNN分类.
• 集成联合学习 (FL) 以在分布式节点上训练模型,同时保持数据隐私.
• 结合FL和转移学习,创建一个安全有效的诊断生态系统.

主要成果:

• 建议使用联合学习模型的特征提取实现了高的交叉验证准确性:在IID上达到99.528%,在非IID数据库上达到99.689%.
• 证明了能够创建适合资源有限环境的高效,轻量级模型的能力.
• 展示了集体学习提高边缘设备性能的能力.

结论:

• 联合转移学习为皮肤疾病诊断提供了一个强大的,保护隐私的解决方案.
• 开发的模型为现代医疗保健机构提供了高效和准确的工具.
• 这种方法有效地克服了医疗AI中的数据限制和隐私法规.