Surgical Aggregation: A Collaborative Learning Framework for Harmonizing Distributed Medical Imaging Datasets with Diverse Tasks

要約

タイトル：分散された医療画像データセットを異なるタスクで調和させるための共同学習フレームワーク「Surgical Aggregation」

要約：

– 大規模な胸部X線データセットは、深層学習を用いて異常の検出に使用され、多様な臨床応用に大きな利益をもたらす可能性がある。
– しかし、各データセットは同時に存在する可能性のある所見のサブセットのみを検出することにフォーカスしており、そのため臨床上の実用性が制限されている。
– このため、臓腔内で発生するすべての異常を完全に表現するクリニックで有用で堅牢なモデルを訓練するために、これらのデータセットを集約するためのデータ調和が重要である。
– その目的のために、我々はSurgical Aggregationという共同学習フレームワークを提案し、部分的な疾患注釈の分散異質データセットから知識を調和・集約する。
– 我々は、合成iidデータセットと部分注釈の現実世界の大規模非iidデータセットでSurgical Aggregationを評価しました。
– 結果は、Surgical Aggregationが現在の戦略を大きく上回り、より一般的に有効であり、AIによる疾患特性のアシストが放射線学の常套手段になるにつれて、臨床的に有用なモデルの開発に革命をもたらす可能性があることを示している。

要約(オリジナル)

Large-scale chest x-ray datasets have been curated for the detection of abnormalities using deep learning, with the potential to provide substantial benefits across many clinical applications. However, each dataset focuses only on detecting a subset of findings that can be simultaneously present in a patient, thereby limiting its clinical utility. Therefore, data harmonization is crucial to leverage these datasets in aggregate to train clinically-useful, robust models with a complete representation of all abnormalities that may occur within the thorax. To that end, we propose surgical aggregation, a collaborative learning framework for harmonizing and aggregating knowledge from distributed heterogeneous datasets with partial disease annotations. We evaluate surgical aggregation across synthetic iid datasets and real-world large-scale non-iid datasets with partial annotations. Our results indicate that surgical aggregation significantly outperforms current strategies, has better generalizability, and has the potential to revolutionize the development clinically-useful models as AI-assisted disease characterization becomes a mainstay in radiology.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI