用于从多相增强CT图像中检测肝脏病变的联邦正交学习方法

《npj Digital Medicine》：Federated orthogonal learning for detection of liver lesions from multi-phase contrast-enhanced CT images

　　

摘要

多相增强CT（CECT）扫描数据通常分散在多个医疗机构中，由于严格的数据保护法规以及各机构在相位完整性方面的差异，部分数据的相位信息不完整。虽然联邦学习（FL）能够实现跨机构协作训练隐私保护模型，但由于不同机构之间的数据差异，该技术在肝脏病变分割方面的性能会显著下降。为了解决这一问题，我们提出了FedOG算法，该算法通过深度卷积神经网络协作分割来自五个不同机构的3,668份CECT多相扫描图像，以减少数据干扰。具体而言，FedOG利用正交梯度分解技术调整了使用不完整相位数据训练的局部模型产生的梯度，从而减轻了干扰。在每次调整过程中，通过贝叶斯优化来确定更新全局模型的最优梯度。实验结果表明，FedOG在大型真实世界临床数据集上的Dice分数提高了1.67%，在两个公开可用的数据集上分别提高了1.13%和3.03%。我们期望我们的研究能够构建一个具有抗异构性、搜索效率高且保护隐私的联邦训练框架，适用于多相CECT数据。此外，我们还发现FedOG对于那些医疗机构多相CECT扫描数据缺失或质量较低的欠发达地区尤为有益。