Федеративное обучение обеспечивает использование больших данных для выявления границ редких опухолей
Federated learning enables big data for rare cancer boundary detection
2022-12-05
SCID: 54.1/tbbeescd
Discuss with AI
Федеративное обучениеГлиобластомаМногоцентровые данныеВыделение границ опухолиДелинация опухоли
Figures from the paper
Abstract (AI)
Хотя машинное обучение (ML) продемонстрировало значительный потенциал в различных областях, его способность к обобщению на выборки, не представленные в обучающих данных, остается проблемной. В настоящее время эту проблему решают путем объединения данных из нескольких центров, однако такая централизация из-за различных ограничений трудно масштабируется или практически невыполнима. Федеративное машинное обучение (FL) предлагает альтернативную парадигму для создания точных и обобщаемых моделей ML, поскольку предусматривает передачу только числовых обновлений модели. В настоящей работе представлено крупнейшее на сегодняшний день исследование с использованием FL, включавшее данные из 71 центра на 6 континентах, для создания автоматического детектора границ опухоли при глиобластоме — редком заболевании; описан крупнейший в литературе набор таких данных (n = 6, 314). Показано улучшение сегментации на 33% для опухоли, доступной для хирургического лечения, и на 23% для полного объема опухоли по сравнению с моделью, обученной на общедоступных данных. Мы ожидаем, что наше исследование позволит: 1) проводить больше медицинских исследований на основе крупных и разнообразных наборов данных, обеспечивая значимые результаты для редких заболеваний и недостаточно представленных популяций; 2) содействовать дальнейшему анализу глиобластомы благодаря публикации нашей консенсусной модели; и 3) продемонстрировать эффективность FL при таком масштабе и уровне сложности задач, способствуя смене парадигмы в многоцентровом сотрудничестве и устраняя необходимость обмена данными.
Key Findings
1
Федеративное обучение в исследовании с участием 71 центра на шести континентах позволило создать автоматический детектор границ опухоли при глиобластоме на крупнейшем опубликованном наборе данных из 6 314 случаев.
2
Определение полного объёма опухоли улучшилось на 23% по сравнению с моделью, обученной публично доступными данными.
3
Федеративное обучение обеспечило совместное обучение модели между центрами за счёт обмена числовыми обновлениями модели вместо централизованного объединения данных пациентов.
4
Федеративная модель улучшила определение хирургически доступной опухоли на 33% по сравнению с моделью, обученной публично доступными данными.
5
Исследование демонстрирует, что федеративное обучение поддерживает масштабное и сложное сотрудничество при редких заболеваниях, снижая необходимость прямого обмена данными.
Research Object
границы опухоли при глиобластоме, включая хирургически доступную для удаления опухоль и полный объём опухоли, в многосайтовых визуализационных данных
Research Subject
точность и способность к обобщению на новые данные автоматической демаркации границ опухоли с использованием федеративного обучения на данных из 71 медицинского учреждения
Publication Details
Publication Date
2022-12-05
Journal
Publisher
ISSN
Cited by
385
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai4
Руководящие принципы FAIR для управления научными данными и их сопровождения2016
PyTorch: библиотека глубокого обучения с императивным стилем программирования и высокой производительностью2019
Бенчмарк мультимодальной сегментации изображений опухолей головного мозга (BRATS)2014
Достижения и открытые проблемы федеративного обучения2020