面向前列腺分割的协作学习方法成本效益基准评测
机器学习
2023-10-03 v2
摘要
医疗数据通常分散在多家医院、呈中小规模集合，且受隐私法规限制而难以获取。这为利用它们开发众所周知数据饥渴的机器学习和深度学习模型带来了困难。克服这一限制的一种途径是使用协作学习（CL）方法，其允许医院在不显式共享本地数据的情况下协作解决任务。在本文中，我们通过比较两种不同方法——联邦学习（FL）与基于共识的方法（CBM）——来解决协作场景下的 MRI 前列腺分割问题。据我们所知，这是首项将 CBM（如标签融合技术）用于解决协作学习问题的工作。在该设定下，CBM 结合本地训练模型的预测以得到一个联邦强学习器，其理想上具有改进的鲁棒性与预测方差特性。我们的实验表明，在所考虑的实际场景中，CBM 提供与 FL 相等或更好的结果，同时具有极高的成本效益。我们的结果证明，共识范式可代表医学影像中典型训练任务里 FL 的一种有效替代方案。
引用
@article{arxiv.2309.17097,
title = {Benchmarking Collaborative Learning Methods Cost-Effectiveness for Prostate Segmentation},
author = {Lucia Innocenti and Michela Antonelli and Francesco Cremonesi and Kenaan Sarhan and Alejandro Granados and Vicky Goh and Sebastien Ourselin and Marco Lorenzi},
journal= {arXiv preprint arXiv:2309.17097},
year = {2023}
}