IPMN Risk Assessment under Federated Learning Paradigm

要約

タイムリーな介入が必要な高リスク症例を特定するには、管内乳頭粘液性新生物 (IPMN) を正確に分類することが不可欠です。
この研究では、包括的な膵臓 MRI データセットを利用した多施設 IPMN 分類のための連合学習フレームワークを開発します。
このデータセットには、653 枚の T1 強調 MRI 画像と 656 枚の T2 強調 MRI 画像が含まれており、主要な医療機関 7 社からの対応する IPMN リスク スコアが付属しており、これまでで最大かつ最も多様な IPMN 分類データセットとなっています。
分散データのトレーニングのために、集中型設定と連合型設定の両方で DenseNet-121 のパフォーマンスを評価します。
私たちの結果は、連合学習アプローチが、機関全体のデータプライバシーを確​​保しながら、集中学習に匹敵する高い分類精度を達成することを示しています。
この研究は、協調的な IPMN 分類における大幅な進歩を示し、複数のセンターにわたる安全で高精度のモデル トレーニングを促進します。

要約(オリジナル)

Accurate classification of Intraductal Papillary Mucinous Neoplasms (IPMN) is essential for identifying high-risk cases that require timely intervention. In this study, we develop a federated learning framework for multi-center IPMN classification utilizing a comprehensive pancreas MRI dataset. This dataset includes 653 T1-weighted and 656 T2-weighted MRI images, accompanied by corresponding IPMN risk scores from 7 leading medical institutions, making it the largest and most diverse dataset for IPMN classification to date. We assess the performance of DenseNet-121 in both centralized and federated settings for training on distributed data. Our results demonstrate that the federated learning approach achieves high classification accuracy comparable to centralized learning while ensuring data privacy across institutions. This work marks a significant advancement in collaborative IPMN classification, facilitating secure and high-accuracy model training across multiple centers.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google