Boosting multi-demographic federated learning for chest x-ray analysis using general-purpose self-supervised representations

要約

医療画像分析のための信頼できる人工知能（AI）モデルは、多くの場合、大きくて多様なラベルの付いたデータセットに依存します。
Federated Learning（FL）は、トレーニングに対する分散化されたプライバシーを提供するアプローチを提供しますが、より多くの代表的なデータを持つ機関がパフォーマンスを劣化させる可能性のある、非常に独立していない、同一に分配された（非IID）設定での闘争があります。
さらに、既存の大規模なFLの研究は、成人データセットに限定されており、小児データによってもたらされる固有の課題を無視しており、追加の非IID変動性をもたらします。
これらの制限に対処するために、複数の国の多様な機関からのn = 398,523の成人胸部レントゲン写真とn = 9,125の小児画像を分析し、肺炎の自己監視画像表現からの転送学習を活用して、肺炎と異常のない症例を分類しました。
最先端のビジョン変圧器を使用して、FLは、より小さな成人データセット（p <0.001）でのみパフォーマンスを改善しましたが、より大きなデータセット（p <0.064）および小児の場合（p = 0.242）のパフォーマンスを低下させることがわかりました。 ただし、FLに自己監視の重みを装備すると、最大のデータセット（P = 0.052）を除き、小児の症例（P = 0.031）およびほとんどの成人データセット（P <0.008）全体の結果を大幅に向上させました。 これらの発見は、臨床FLアプリケーションにおける非IID課題に対処し、患者の転帰を高め、データの希少性と変動性が持続的な障害のままである小児医療を進めるという彼らの約束を強調するために、容易に展開できる汎用の自己監視画像表現の可能性を強調しています。

要約(オリジナル)

Reliable artificial intelligence (AI) models for medical image analysis often depend on large and diverse labeled datasets. Federated learning (FL) offers a decentralized and privacy-preserving approach to training but struggles in highly non-independent and identically distributed (non-IID) settings, where institutions with more representative data may experience degraded performance. Moreover, existing large-scale FL studies have been limited to adult datasets, neglecting the unique challenges posed by pediatric data, which introduces additional non-IID variability. To address these limitations, we analyzed n=398,523 adult chest radiographs from diverse institutions across multiple countries and n=9,125 pediatric images, leveraging transfer learning from general-purpose self-supervised image representations to classify pneumonia and cases with no abnormality. Using state-of-the-art vision transformers, we found that FL improved performance only for smaller adult datasets (P<0.001) but degraded performance for larger datasets (P<0.064) and pediatric cases (P=0.242). However, equipping FL with self-supervised weights significantly enhanced outcomes across pediatric cases (P=0.031) and most adult datasets (P<0.008), except the largest dataset (P=0.052). These findings underscore the potential of easily deployable general-purpose self-supervised image representations to address non-IID challenges in clinical FL applications and highlight their promise for enhancing patient outcomes and advancing pediatric healthcare, where data scarcity and variability remain persistent obstacles.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google