FedKBP：放射治疗中基于知识规划的联邦剂量预测框架
机器学习
2025-01-30 v2 人工智能
摘要
剂量预测在基于知识的计划（KBP）中扮演关键角色，通过自动生成患者特异性的剂量分布。深度学习剂量预测方法的最新进展 necessitates 数据贡献者之间的协作以提升性能。联邦学习（FL）作为一种解决方案出现，使医学中心能够在不损害患者数据隐私的情况下联合训练深度学习模型。我们开发了FedKBP框架，用于评估集中式、联邦式和独立式（即分离式）剂量预测模型在OpenKBP数据集340个计划上的性能。为了模拟联邦学习和独立式训练，我们将数据划分为8个训练站点。为了评估站点间数据变化对模型训练的影响，我们实现了两种类型的病例分布：1）独立同分布（IID），其中训练集和验证集在8个站点间均匀划分；2）非独立同分布（non-IID），其中某些站点比其他站点拥有更多病例。结果表明，联邦学习在模型优化速度和样本外测试分数两方面始终优于独立式训练，突显了联邦学习相对于独立式训练的优势。在IID数据划分下，联邦学习展现出与集中式训练相当的性能，凸显了联邦学习作为传统池化数据训练有前景的替代方案。在非IID划分下，较大站点在测试分数上比较小站点高出最多19%，证实了数据所有者之间协作以实现更好预测准确性的必要性。同时，非IID联邦学习的性能相比IID联邦学习有所下降，这提出了需要超越简单模型平均的更精巧的联邦学习方法，以处理参与站点间的数据变化。
引用
@article{arxiv.2408.10275,
title = {FedKBP: Federated dose prediction framework for knowledge-based planning in radiation therapy},
author = {Jingyun Chen and Martin King and Yading Yuan},
journal= {arXiv preprint arXiv:2408.10275},
year = {2025}
}
备注
Accepted by SPIE Medical Imaging 2025 Conference