通过多中心联邦学习克服数据稀缺以实现儿科上腹部放疗中危及器官的分割
医学物理
2026-05-11 v1 人工智能
摘要
基于深度学习的危及器官/结构自动勾画模型可以改善放射治疗工作流程，但在成人数据上训练的模型在儿科患者中通常表现不佳。由于各中心的数据稀缺和碎片化，开发稳健的儿科专用模型受到阻碍。联邦学习能够在无需数据共享的情况下实现隐私保护的协作训练。我们评估了 FL 在两家欧洲医疗中心开发儿科专用 OAR 分割模型的可行性和性能。回顾性收集了来自乌得勒支和海德堡患有肾脏肿瘤或腹部神经母细胞瘤的儿科患者的计算机断层扫描 (CT) 图像，并在本地进行处理。基于 nnU-Net 的框架使用本地和 FL 方案对 19 个 OAR 进行了分割。FL 通过机构防火墙外的云存储上的安全权重交换来实现。使用 Dice 相似系数 (DSC)、第 95 百分位 Hausdorff 距离和平均表面距离评估性能。识别了对患者方向的鲁棒性、手术切除肾脏的假阳性分割以及失败案例。共纳入了来自 272 名患者（105 例肾脏肿瘤，167 例神经母细胞瘤）的 310 份术后 CT。本地模型在各自中心数据上表现良好，但在九个评估的 OAR 中有四个到七个的跨中心性能显著下降（DSC）。相比之下，FL 模型在九个 OAR 中至少有七个匹配了本地性能，并在三项指标上取得了最佳的跨中心结果，DSC 相比本地模型提高了 0.003-0.007。FL 还在各种患者方向上保持了稳定的性能，并减少了肾脏的假阳性分割。真实世界的 FL 提高了基于 CT 的儿科上腹部肿瘤 OAR 分割模型的跨中心鲁棒性。
引用
@article{arxiv.2605.06820,
title = {Overcoming data scarcity through multi-center federated learning for organs-at-risk segmentation in pediatric upper abdominal radiotherapy},
author = {Mianyong Ding and Maximilian Knoll and Semi Harrabi and Martine van Grotel and Annemieke S. Littooij and Max van Noesel and Jens-Peter Schenk and Marry M. van den Heuvel-Eibrink and Geert O. Janssens and Matteo Maspero},
journal= {arXiv preprint arXiv:2605.06820},
year = {2026}
}