关注鸿沟：联邦学习拓展诊断型 AI 模型的域泛化能力
计算机视觉与模式识别
2023-12-20 v2 人工智能
机器学习
图像与视频处理
摘要
开发对未见数据集具有良好泛化能力的鲁棒人工智能（AI）模型具有挑战性，且通常需要大规模且多变的、最好来自多家机构的数据集。在联邦学习（FL）中，模型在持有本地数据集的多个站点上协作训练，而无需交换数据。迄今为止，训练策略（即本地 versus 协作）对解读胸部 X 光片的 AI 模型在域内与域外诊断性能的影响尚未得到评估。为此，我们利用来自全球五家机构的 610,000 张胸部 X 光片，评估了诊断性能如何随训练策略（即本地 vs. 协作）、网络架构（即卷积 vs. 基于 transformer）、泛化性能（即域内 vs. 域外）、影像表现（即心脏增大、胸腔积液、肺炎、肺不张、实变、气胸和无异常）、数据集规模（即从 n=18,000 到 213,921 张 X 光片）以及数据集多样性而变化。大型数据集不仅在 FL 下仅显示出微小的性能提升，在某些情况下甚至出现了下降；相比之下，较小数据集则表现出显著改善。因此，域内性能主要由训练数据规模驱动，而域外性能更多依赖于训练多样性。当跨不同外部机构协作训练时，AI 模型在域外任务上持续超越本地训练的模型，凸显了 FL 在利用数据多样性方面的潜力。总之，FL 能够增强 AI 模型的诊断隐私性、可复现性和域外可靠性，并有可能优化医疗健康结果。
引用
@article{arxiv.2310.00757,
title = {Mind the Gap: Federated Learning Broadens Domain Generalization in Diagnostic AI Models},
author = {Soroosh Tayebi Arasteh and Christiane Kuhl and Marwin-Jonathan Saehn and Peter Isfort and Daniel Truhn and Sven Nebelung},
journal= {arXiv preprint arXiv:2310.00757},
year = {2023}
}
备注
Published in Nature Scientific Reports