基于研究原型与多中心MRI的前列腺癌多样化组织病理联邦学习检测

从MRI中进行前列腺癌的早期检测与分期对于放射科医生和深度学习算法而言都是极具挑战性的任务，但从大规模且多样化的数据集中学习的潜力仍是提升其在诊所内部及跨诊所泛化能力的一条有前景的途径。为使处于原型阶段的算法（现有多数研究仍停留于此）也能利用这一潜力，本文引入了一个灵活的联邦学习框架，用于深度前列腺癌检测算法的跨站点训练、验证与评估。我们的方法利用模型架构与数据的抽象表示，使得未经打磨的原型深度学习模型无需修改即可使用NVFlare联邦学习框架进行训练。我们的结果表明，利用一个专门的神经网络模型以及收集自加州大学两所研究医院的不同前列腺活检数据，前列腺癌检测与分类准确率有所提升，证明了我们的方法在适应不同数据集和改进MR生物标志物发现方面的有效性。我们开源了我们的FLtools系统，该系统可轻松适配于其他医学影像深度学习项目。