具有非均匀标签的医学人工智能模型的协作训练
机器学习
2023-04-14 v2 人工智能
图像与视频处理
摘要
由于近年来的快速发展，医学图像分析在很大程度上由深度学习（DL）主导。然而，构建强大且鲁棒的 DL 模型需要使用大型多方数据集进行训练。尽管多个利益相关方已提供公开可用数据集，但这些数据的标注方式差异很大。例如，某机构可能提供包含 denoting 肺炎存在标签的胸部 X 射线数据集，而另一机构可能侧重于确定肺转移的存在。利用所有这些数据训练单一 AI 模型在常规联邦学习（FL）下不可行。这促使我们提出对广泛使用的 FL 流程的扩展，即灵活联邦学习（FFL），用于此类数据的协作训练。利用来自全球五个机构、标签各异的 695,000 张胸部 X 射线，我们证明在具有异质标注数据集时，基于 FFL 的训练相比仅利用统一标注图像的常规 FL 训练带来了显著的性能提升。我们相信，我们提出的算法可加速将协作训练方法从研究与仿真阶段推向医疗健康中的实际应用。
引用
@article{arxiv.2211.13606,
title = {Collaborative Training of Medical Artificial Intelligence Models with non-uniform Labels},
author = {Soroosh Tayebi Arasteh and Peter Isfort and Marwin Saehn and Gustav Mueller-Franzes and Firas Khader and Jakob Nikolas Kather and Christiane Kuhl and Sven Nebelung and Daniel Truhn},
journal= {arXiv preprint arXiv:2211.13606},
year = {2023}
}
备注
Published in Nature Scientific Reports