贴近胸口的 AI 模型：面向多站点 CT 的鲁棒联邦学习策略
机器学习
2023-04-17 v2 计算机视觉与模式识别
图像与视频处理
摘要
尽管众所周知遗传、性别、种族和环境因素带来的群体差异会导致疾病，但医学中的 AI 研究大多聚焦于数据来源较少样化的局部患者队列。此限制源于大规模数据共享的障碍以及数据隐私的伦理担忧。联邦学习（FL）是一种潜在的 AI 发展路径，可在不共享数据的情况下实现跨医院学习。在本研究中，我们展示了多种 FL 策略在一个最大且最具多样性的 COVID-19 胸部 CT 数据集上的结果：五大洲 21 家参与医院，包含 >10,000 名患者与 >100 万张图像。我们还提出一种利用合成生成数据来克服类别与规模不平衡的 FL 策略。我们也描述了 FL 背景下数据异质性的来源，并展示即便在正确标注的群体中，这些偏差也可导致差异产生。
引用
@article{arxiv.2303.13567,
title = {AI Models Close to your Chest: Robust Federated Learning Strategies for Multi-site CT},
author = {Edward H. Lee and Brendan Kelly and Emre Altinmakas and Hakan Dogan and Maryam Mohammadzadeh and Errol Colak and Steve Fu and Olivia Choudhury and Ujjwal Ratan and Felipe Kitamura and Hernan Chaves and Jimmy Zheng and Mourad Said and Eduardo Reis and Jaekwang Lim and Patricia Yokoo and Courtney Mitchell and Golnaz Houshmand and Marzyeh Ghassemi and Ronan Killeen and Wendy Qiu and Joel Hayden and Farnaz Rafiee and Chad Klochko and Nicholas Bevins and Faeze Sazgara and S. Simon Wong and Michael Moseley and Safwan Halabi and Kristen W. Yeom},
journal= {arXiv preprint arXiv:2303.13567},
year = {2023}
}