Federated attention contrastive learning models for prostate cancer diagnosis and Gleason grading

要約

人工知能 (AI) は、医療画像の革新、診断の改善、治療法の改良において大きな期待を寄せています。
ただし、AI モデルのトレーニングは広範なマルチセンター データセットに依存しており、データ プライバシー保護への懸念により潜在的な課題が生じています。
Federated Learning は、生データを共有することなく、複数のセンターにわたる共同モデルを可能にすることでソリューションを提供します。
この研究では、大規模な病理学的画像とデータの異質性に関連する課題に対処するために設計された Federated Attendant Contrastive Learning (FACL) フレームワークを紹介します。
FACL は、ローカル クライアントとサーバー モデル間の注意の一貫性を最大化することにより、モデルの一般化を向上させます。
プライバシーを強化し、堅牢性を検証するために、パラメーター転送中にノイズを導入することで差分プライバシーを組み込みます。
私たちは、複数の施設から提供された前立腺がんの 19,461 枚の全体スライド画像を使用して、がん診断およびグリーソン等級付けタスクにおける FACL の有効性を評価します。
診断タスクでは、FACL は 0.9718 の曲線下面積 (AUC) を達成し、カテゴリーが比較的バランスが取れている場合、平均 AUC が 0.9499 である 7 施設を上回りました。
グリーソンの採点タスクでは、FACL は 0.8463 のカッパ スコアを達成し、6 センターの平均カッパ スコア 0.7379 を上回りました。
結論として、FACL は、効果的なデータ保護手段を維持しながら、前立腺がん病理に対する堅牢かつ正確でコスト効率の高い AI トレーニング モデルを提供します。

要約(オリジナル)

Artificial intelligence (AI) shows great promise in revolutionizing medical imaging, improving diagnosis, and refining treatment methods. However, the training of AI models relies on extensive multi-center datasets, presenting a potential challenge due to concerns about data privacy protection. Federated learning offers a solution by enabling a collaborative model across multiple centers without sharing raw data. In this study, we present a Federated Attention Contrastive Learning (FACL) framework designed to address challenges associated with large-scale pathological images and data heterogeneity. FACL improves model generalization by maximizing attention consistency between the local client and the server model. To enhance privacy and validate robustness, we incorporate differential privacy by introducing noise during parameter transfer. We assess the effectiveness of FACL in cancer diagnosis and Gleason grading tasks using 19,461 whole slide images of prostate cancer sourced from multiple centers. In the diagnosis task, FACL achieves an area under the curve (AUC) of 0.9718, outperforming seven centers whose average AUC is 0.9499 when categories are relatively balanced. In the Gleason grading task, FACL attained a Kappa score of 0.8463, surpassing the average Kappa score of 0.7379 from six centers. In conclusion, FACL offers a robust, accurate, and cost-effective AI training model for prostate cancer pathology while maintaining effective data safeguards.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google