用于前列腺癌诊断与 Gleason 分级的联邦注意力一致学习模型
计算机视觉与模式识别
2024-04-01 v5 机器学习
定量方法
摘要
人工智能（AI）在变革医学影像、增强诊断和优化治疗策略方面具有重大前景。然而，由于隐私问题，训练 AI 模型对大规模多中心数据集的依赖带来了挑战。联邦学习通过促进多中心间无需共享原始数据的协作模型训练提供了一种解决方案。本研究引入了联邦注意力一致学习（FACL）框架，以应对大规模病理图像和数据异质性相关的挑战。FACL 通过最大化本地客户端与服务器模型之间的注意力一致性来增强模型泛化能力。为确保隐私并验证鲁棒性，我们在参数传输过程中引入噪声，从而结合了差分隐私。我们使用来自多中心的 19,461 张前列腺癌全切片图像评估了 FACL 在癌症诊断和 Gleason 分级任务中的有效性。在诊断任务中，当类别相对均衡时，FACL 的曲线下面积（AUC）达到 0.9718，优于七家中心平均 0.9499 的 AUC。对于 Gleason 分级任务，FACL 的 Kappa 分数达到 0.8463，超过了六家中心平均 0.7379 的 Kappa 分数。总之，FACL 在保持有效数据保护的同时，为前列腺癌病理学提供了一种鲁棒、准确且经济高效的 AI 训练模型。
引用
@article{arxiv.2302.06089,
title = {Federated attention consistent learning models for prostate cancer diagnosis and Gleason grading},
author = {Fei Kong and Xiyue Wang and Jinxi Xiang and Sen Yang and Xinran Wang and Meng Yue and Jun Zhang and Junhan Zhao and Xiao Han and Yuhan Dong and Biyue Zhu and Fang Wang and Yueping Liu},
journal= {arXiv preprint arXiv:2302.06089},
year = {2024}
}
备注
14 pages