机构分布式深度学习网络
计算机视觉与模式识别
2017-09-19 v1 机器学习
医学物理
摘要
深度学习已成为自动化医学诊断的一种有前景的方法。当医学数据样本有限时，多家机构间的协作对于实现高算法性能是必要的。然而，由于技术、法律或伦理方面的顾虑，共享患者数据常常受到限制。在此情形下，共享深度学习模型是一种更具吸引力的替代方案。但是，执行此类任务的最佳方法尚不清楚。在本研究中，我们模拟了深度学习网络模型在四家机构间的传播，使用了多种启发式策略，并将结果与在集中托管的患者数据上训练的深度学习模型进行比较。所研究的启发式策略包括集成单一机构模型、单次权重迁移和循环权重迁移。我们在三个独立图像集合（视网膜眼底照片、乳腺X线摄影和 ImageNet）上评估了这些方法的图像分类性能。我们发现循环权重迁移所取得的性能（测试准确率 = 77.3%）最接近集中托管患者数据的性能（测试准确率 = 78.7%）。我们还发现，提高权重迁移频率可改善循环权重迁移启发式策略的性能。
引用
@article{arxiv.1709.05929,
title = {Institutionally Distributed Deep Learning Networks},
author = {Ken Chang and Niranjan Balachandar and Carson K Lam and Darvin Yi and James M Brown and Andrew Beers and Bruce R Rosen and Daniel L Rubin and Jayashree Kalpathy-Cramer},
journal= {arXiv preprint arXiv:1709.05929},
year = {2017}
}