联邦学习（FL）模型在痣和痣的二元分类中展现了巨大的前景 侵袭性黑色素瘤 根据最近发表的一项研究，展示了人工智能 (AI) 在黑色素瘤诊断中的隐私、全球协作和图像分类方面可以提供的好处 美国医学会皮肤科。
越早发现黑色素瘤，患者的治疗效果通常就越好； 然而，这种检测并非没有挑战。 非典型痣与黑色素瘤有一定程度的形态重叠，可能会影响癌症的识别。 作者补充说，之前的研究已经证明了与人类专家相比，卷积神经网络（为图像/模式识别而设计的人工程序）的潜在用途（如果不是优越性的话）可以成功地执行组织病理学和皮肤病学目标。
AI学习理念| 图片来源：putilov_denis – stock.adobe.com
将人工智能应用到临床环境中本身也面临着挑战。 人工智能模型依靠不同的数据来学习和发挥其潜力。 当前研究的作者详细介绍了如何在医疗环境中改进人工智能算法，理想情况下将患者数据集中存储并传输到外部站点进行开发，这引起了对患者信息隐私的大量担忧。 为了避免这种情况，设施可以利用自己的资源，利用自己的数据开发算法； 然而，机构可能缺乏以有意义的方式实现这一目标的计算能力。 这些冲突给研究、机构和研究人员之间的数据收集和合作带来了重大挑战。 如果做得正确，这种共享可以为医学知识和医学领域带来无数好处。
FL 是一种新兴方法，提供了一些解决方案。 该模型专为数据分散而设计，而且需要较少的计算机能力。 这种方法使机构能够使用自己的数据来训练自己的模型。
当前的作者看到了探索 FL 功能和有效性的机会。 目前，FL 已与回顾性黑色素瘤数据结合使用； 尚无研究在黑色素瘤数据的前瞻性收集中调查 FL。 因此，作者开发了一种分散式 FL 模型（训练集），用于使用组织病理学全切片图像 (WSI) 对侵袭性黑色素瘤 (IM) 和痣进行二元分类。
数据是在 2021 年 4 月至 2023 年 2 月期间从 6 所德国大学前瞻性收集的，并将 WSI 与外部和保留数据集中的集中式和集成学习模型回顾性收集的幻灯片进行了比较。
总共包括 923 名患者和 1025 张载玻片。 这些幻灯片由 388 个 IM 和 637 个痣组成。 训练集中的诊断中位年龄为 58 岁，外部测试数据集中为 61 岁，保留测试数据集中为 57 岁。 这些数据集的 Breslow 厚度中值分别为 70 毫米、80 毫米和 70 毫米。
在保留测试数据集中，FL模型的性能最差，接受者操作特征曲线下的平均面积（AUROC）为0.8579（95％CI，0.7693-0.9299）。 集成方法表现稍好（AUROC，0.8867；95% CI，0.8103-0.9481），集中式经典模型表现最佳（AUROC，0.9024；95% CI，0.8379-0.9565）。 集中式模型与 FL 相比，性能差异具有统计显着性（磷 < .001)。
至于外部测试数据集，集中式模型的性能最差（AUROC，0.9045；95% CI，0.8701-0.9331），其次是 FL（AUROC，0.9126；95% CI 0.8810-0.9412），然后是表现最好的模型集成方法（AUROC，0.9227；95% CI，0.8941-0.9479）。 在这里，FL 的表现明显优于集中模型（磷 < .001)。
“虽然从绝对值来看，FL 和集中式方法之间观察到的差异可能并不大，但它们在 1000 次引导迭代中是一致的。 。 。 从而证明了集中式方法的持续优异表现，”作者写道。
尽管存在这种观察到的优越性，FL 模型确实产生了与集中式或集成方法相当的结果，作者相信这展示了其作为 IM 和痣分类的可靠替代方案的潜力。
他们补充道：“此外，FL 使机构能够为人工智能模型的开发做出贡献，即使数据集相对较小或数据保护规则严格，从而促进机构和国家之间的合作。”
随着 FL 研究不断扩大，以确定其功效并提高其性能，作者得出的结论是，鼓励未来的研究将 FL 的利用扩展到具有不同医学图像的其他分类任务中。
参考
Haggenmüller S、Schmitt M、Krieghoff-Henning E 等。 黑色素瘤诊断中分散式人工智能的联合学习。 JAMA皮肤科。 2024 年 2 月 7 日在线发布。doi:10.1001/jamadermatol.2023.5550
2024-03-16 14:26:58
1710600112
#联合学习模型在黑色素瘤痣分类方面显示出潜力但需要改进
