連合学習 (FL) モデルは、母斑症と母斑症の 2 項分類において大きな期待を示しました。 浸潤性黒色腫 で発表された最近の研究によると、黒色腫診断におけるプライバシー、グローバルなコラボレーション、および画像分類に関して人工知能 (AI) が提供できるメリットを紹介しています。 JAMA皮膚科。
黒色腫を早期に検出できるほど、通常、患者が経験する予後は良好になります。 ただし、この検出には課題がないわけではありません。 非定型母斑は黒色腫と形態学的にある程度の重複があり、がんの識別に影響を与える可能性があります。 著者らは、これまでの研究では、畳み込みニューラル ネットワーク (画像/パターン認識用に設計された人工プログラム) を、人間の専門家と比較して組織病理学的および皮膚科学的な目的を首尾よく実行するために、優れているとは言えないにしても、潜在的に使用できることが実証されていると付け加えています。
AI学習コンセプト | 画像クレジット: putilov_denis – Stock.adobe.com
AI を臨床現場に導入するには、それ自体に課題が伴います。 AI モデルは、さまざまなデータに依存して学習し、その可能性を最大限に発揮します。 現在の研究の著者らは、医療現場でAIのアルゴリズムを改善するために、理想的には患者データを一元的に保存し、開発のために外部サイトに転送する方法について詳述しているが、これにより患者情報のプライバシーに関して多くの懸念が生じている。 これを回避するために、施設は独自のリソースを利用してデータを使用したアルゴリズムを開発できます。 ただし、教育機関にはこれを有意義な方法で達成するための計算能力が不足している可能性があります。 これらの対立は、データ収集と研究、機関、研究者間の協力の両方に大きな課題をもたらしています。 この共有が正しく行われれば、医学知識と医療分野に無数の利益をもたらす可能性があります。
FL は、いくつかのソリューションを提供する新しいアプローチです。 このモデルはデータの分散化を目的として設計されており、さらに、必要なコンピューター能力が少なくなります。 この方法により、教育機関は独自のデータを使用して独自のモデルをトレーニングできます。
現在の著者らは、FL の機能と有効性を調査する機会があると考えました。 現在、FL は遡及的黒色腫データとともに活用されています。 黒色腫データの前向き収集において FL を調査した研究はありません。 したがって、著者らは、組織病理学的全スライド画像 (WSI) を使用して浸潤性黒色腫 (IM) と母斑を 2 値に分類する目的で、分散型 FL モデル (トレーニング セット) を開発しました。
データは 2021 年 4 月から 2023 年 2 月の間にドイツの 6 大学から前向きに収集され、WSI は外部およびホールドアウト データセット内の集中学習モデルおよびアンサンブル学習モデルによって遡及的に収集されたスライドと比較されました。
合計 923 人の患者と 1,025 枚のスライドが含まれました。 これらのスライドは、388 個の IM と 637 個の母斑で構成されていました。 診断年齢の中央値は、トレーニング セットでは 58 歳、外部テスト データセットでは 61 歳、ホールドアウト テスト データセットでは 57 歳でした。 これらのデータセット全体のブレスローの厚さの中央値は、それぞれ 70 mm、80 mm、70 mm でした。
ホールドアウト テスト データセットでは、FL モデルのパフォーマンスが最も悪く、平均受信機動作特性曲線下面積 (AUROC) は 0.8579 (95% CI、0.7693 ～ 0.9299) でした。 アンサンブルアプローチのパフォーマンスはわずかに優れており (AUROC、0.8867; 95% CI、0.8103-0.9481)、集中型の古典的モデルが最高のパフォーマンスを示しました (AUROC、0.9024; 95% CI、0.8379-0.9565)。 FL と比較した集中型モデル間のパフォーマンスの差は統計的に有意でした (P < .001)。
外部テスト データセットに関しては、集中型モデルのパフォーマンスが最も低く (AUROC、0.9045、95% CI、0.8701-0.9331)、次に FL (AUROC、0.9126、95% CI 0.8810-0.9412)、次に最高のパフォーマンスが得られました。アンサンブルアプローチ (AUROC、0.9227; 95% CI、0.8941-0.9479)。 ここで、FL は集中型モデルよりも大幅に優れたパフォーマンスを示しました (P < .001)。
「FL と集中型アプローチの間で観察された違いは、絶対的には大きくないかもしれませんが、ブートストラップの 1000 回の反復を超えて一貫しています。 。 。 これにより、集中型アプローチよりも優れたパフォーマンスが持続的に発揮されることを実証しました」と著者らは書いています。
この観察された優位性にもかかわらず、FL モデルは集中アプローチまたはアンサンブルアプローチと同等の結果をもたらしました。著者らは、このモデルが IM および母斑を分類するための信頼できる代替手段としての可能性を示していると考えています。
「さらに、フロリダ大学は、比較的小規模なデータセットや厳格なデータ保護ルールであっても、各機関がAIモデルの開発に貢献できるようにし、それによって機関や国を越えた協力を促進します」と彼らは付け加えた。
FL の有効性を確認し、パフォーマンスを向上させるために FL を使用した研究が拡大するにつれて、著者らは今後の研究で FL の利用を異なる医療画像を使用した他の分類タスクに拡張することを奨励すると結論付けました。
参照
Haggenmüller S、Schmitt M、Krieghoff-Henning E、他。 黒色腫診断における分散型人工知能のためのフェデレーション ラーニング。 JAMA ダーマトール。 2024 年 2 月 7 日にオンラインで公開。doi:10.1001/jamadermatol.2023.5550
1710600590
#連合学習モデルは黒色腫と母斑の分類に可能性を示しているが改善が必要
2024-03-16 14:26:58