探索联邦深度学习在放射治疗数据命名规范标准化中的应用
机器学习
2024-02-15 v1 医学物理
摘要
标准化放射治疗（RT）数据中的结构体积名称对于实现数据挖掘和分析，尤其是在多机构中心之间，是必要的。这一过程耗时且资源密集，凸显了对新的自动化高效方法来处理该任务的需求。已有多种基于机器学习的方法被提出并评估，用于标准化命名法。然而，尚无研究考虑到 RT 患者记录分布在多个数据中心。本文介绍了一种模拟真实世界环境以建立标准化命名法的方法。这是通过整合去中心化的实时数据和联邦学习（FL）来实现的。我们提出了一种多模态深度人工神经网络，用于在联邦设置下标准化 RT 数据。从结构中提取了三种可能的属性类型来训练深度学习模型：表格、视觉和体积。通过模拟实验，在包括多个数据中心、输入模态和聚合策略在内的多种场景下训练模型。这些模型与在联邦设置下使用单一模态开发的模型以及在集中式设置下训练的模型进行了比较。在留出样本上计算分类准确率以评估模型性能。我们的结果强调了在训练此类模型时融合多种模态的必要性，其中表格-体积模型报告了更好的性能。此外，我们报告了与集中式设置下构建的模型相当的准确率。这证明了联邦学习处理标准化任务的适用性。额外的消融分析表明，数据中心的总样本数和数据中心的数量高度影响训练过程，在构建标准化模型时应仔细考虑。
引用
@article{arxiv.2402.08999,
title = {Exploring Federated Deep Learning for Standardising Naming Conventions in Radiotherapy Data},
author = {Ali Haidar and Daniel Al Mouiee and Farhannah Aly and David Thwaites and Lois Holloway},
journal= {arXiv preprint arXiv:2402.08999},
year = {2024}
}