用于肿瘤浸润淋巴细胞分类的联邦学习
图像与视频处理
2022-04-04 v2 计算机视觉与模式识别
机器学习
摘要
我们评估了联邦学习（FL）在开发用于数字化组织切片分析的深度学习模型中的性能。以一个分类应用作为示例用例，即量化全切片图像（WSIs）内肿瘤浸润淋巴细胞的分布。我们使用从 WSI 中提取的 50×50 平方微米斑块训练了一个深度学习分类模型。我们模拟了一个 FL 环境，其中由 The Cancer Genome Atlas 存储库中来自多个解剖部位的癌症 WSI 生成的数据集被划分到 8 个不同节点。我们的结果表明，采用联邦训练方法训练的模型在定量与定性上均取得了与将所有训练数据集中到一处训练的模型相似的性能。我们的研究表明，FL 在无需于单一地点收集大规模多样化训练数据的情况下，具有赋能开发更鲁棒、更准确组织病理学图像分析模型的巨大潜力。
引用
@article{arxiv.2203.16622,
title = {Federated Learning for the Classification of Tumor Infiltrating Lymphocytes},
author = {Ujjwal Baid and Sarthak Pati and Tahsin M. Kurc and Rajarsi Gupta and Erich Bremer and Shahira Abousamra and Siddhesh P. Thakur and Joel H. Saltz and Spyridon Bakas},
journal= {arXiv preprint arXiv:2203.16622},
year = {2022}
}