顶刊速看:NC IF=14.7 国际多中心儿童脑肿瘤联邦学习人工智能平台介绍

正文

请到「今天看啥」查看全文

其中16个参与模型训练和验证，其余3个作为外部保留站点。

（2）总共有1468例儿童脑肿瘤患者的数据， 包含患者的 影像和病理 数据，进行了肿瘤分类和分割。

（3）开发了一个3D模型， 使用了 联邦学习（FL）方法 进行模型训练， 用于肿瘤病理预测和分割。

（4）与传统的集中式数据共享（CDS）方法对比并进行性能评估。

1.3 结果

（1） 与集中数据训练相比，FL-PedBrain在分类性能上仅减少了不到1.5%，在分割性能上减少了3%。

（2）FL在三个外部网络之外的站点上提高了20%到30%的分割性能。

1.4 结论

（1）FL-PedBrain平台对于儿童后颅窝脑肿瘤的联合学习具有有效性。

（2）尽管存在数据异质性，FL-PedBrain仍然在所有19个站点上展现了高泛化性能。

2 数据介绍

本研究纳入了1468名后颅窝肿瘤患者，其中包括596例髓母细胞瘤（MB）、210例胶质母细胞瘤（EP）、335例旁脑室胶质瘤（PA）和327例脑干胶质瘤（DIPG）。

3 研究方 法

3.1 模型开发和评估

（1）研究人员开发了一个3D模型，用于肿瘤病理预测（MB、EP、PA、DIPG、正常）和分割掩膜。

（2）使用联邦学习（FL）方法进行模型训练，通过“联邦平均”（Federated Averaging）方法实现。

（3）与传统的集中式数据共享（CDS）方法进行了比较，在CDS方法中，将所有数据集中到一个池中进行训练。

（4） 除了FL方法，还对比了“孤立”模型，该模型仅使用单一站点的数据进行训练，并在16个保留验证集和3个独立外部站点上进行评估。

3.2训练流程

（1）联邦学习中， 各站点仅共享模型参数 而非原始数据。

（2）每轮FL训练开始时，各站点进行本地模型训练，然后将学习到的权重传回中央服务器。

（3）中央服务器对来自各个站点的模型权重进行平均，从而更新全局模型。

3.3探索数据异质性

探索了数据异质性的来源，包括影像质量差异和站点特定的肿瘤特征变异。

4 结果

4.1 分类性能

（1）FL（联邦学习）和 CDS（集中式学习）的分类性能相当，没有统计学上的显著差异。

（2）Siloed training（孤立训练）性能明显较差，且不同站点的表现差异很大。

请到「今天看啥」查看全文