Aug, 2024

FedKBP：辐射治疗知识基础规划的联邦剂量预测框架

HTML
PDF
TL;DR本研究解决了知识基础规划中剂量预测的挑战，尤其是在数据隐私保护的情况下。提出了一种新的联邦学习框架FedKBP，通过评估集中、联邦和个体训练在不同数据分布下的效果，发现联邦学习在模型优化和测试性能上优于个体训练，并且在某些条件下表现接近集中训练。此研究强调了数据共享协作的重要性，以提高剂量预测的准确性。
发现论文，激发创造
  • 乳腺密度分类的联邦学习：一个实际实现

    本文研究了在真实的合作环境下使用联邦学习（FL）构建医学成像分类模型。通过对世界各地的七个临床机构的数据进行联邦学习，成功地训练了乳腺密度分类模型，其性能比在机构的本地数据训练的模型平均提高了6.3％，在其他机构的测试数据上表现出了45.8％的相对改进。

    Sep, 2020

  • 通过专家人类知识和AI推荐的信息融合来优化临床决策的精准放疗

    本文提出了系统的集成专家人员的知识和AI推荐的方法，使用高斯过程模型和深度神经网络来量化医师和AI的推荐给出的治疗结果的不确定性，并将其用作指导临床医师和提高AI模型性能的准则，在一个综合数据集上演示了该方法

    Feb, 2022

  • OpenKBP-Opt: 一个评估76种基于知识的计划流程的国际化和可复制性研究

    建立了一个用于放射治疗知识基础计划（KBP）优化模型开发的开放框架，包括100个头颈癌病人的基准计划和19个KBP模型的高质量剂量预测。通过比较预测和计划的剂量分数，剂量体积直方图（DVH）准则偏差以及满足临床计划准则的频率，证明了KBP生成的计划比预测剂量优秀，最终推荐了一种相应的优化模型。

    Feb, 2022

  • DASS Good: 空间队列数据可解释的数据挖掘

    本文介绍了一个名为DASS的建模系统，该系统支持协同人-机模型开发和验证，以估计头颈癌患者放疗剂量相关的长期毒性，并且该系统融合了人工智能和数据挖掘算法，可以处理具有空间信息的数据。通过此系统，开发了两种临床分层模型，并报告了领域专家的反馈。最后，总结了这个协作经验中的设计经验教训。

    Apr, 2023

  • DiffDP：通过扩散模型进行放疗剂量预测

    利用扩散法剂量预测模型，深度学习技术有效地预测放射治疗计划中的剂量分布，通过提取解剖信息和预测噪声来保证预测准确性。

    Jul, 2023

  • 医学影像中数据和模型异质性的联邦学习

    本文提出了一种名为MDH-FL的方法，利用数据和模型的异质性，通过知识蒸馏和对称损失来提高联邦学习中全局模型的效率，实验证明该方法在医学数据集上比现有方法表现出更好的优越性。

    Jul, 2023

  • 探索联邦深度学习在放射治疗数据中规范命名约定

    这篇论文介绍了一种在分布式实时数据和联邦学习中实现标准化名词的方法，通过使用多模态深度人工神经网络从结构中提取的标签、视觉和体积特征来训练模型，结果表明融合多种模态的模型在训练过程中表现更好，相比于中央化设置中的模型具备相近的准确性，展示了联邦学习在处理标准化任务上的适用性，并强调在构建标准化模型时要谨慎考虑数据中心的样本数量和数据中心的数量。

    Feb, 2024

  • 基于剂量预测的放疗参数回归：通过内外关系建模

    深度学习在放疗自动化方面发挥了作用，但现有方法无法得出可直接输入治疗计划系统（TPS）的理想放疗参数，阻碍了放疗全面自动化。本文提出了一个新的两阶段框架，用于直接回归放疗参数，包括剂量图预测阶段和放疗参数回归阶段。实验证明我们的方法的有效性。

    Feb, 2024

  • 放射学中的实际联邦学习：克服的困难与获得的好处

    联邦学习的实施存在许多障碍，尤其在医学影像领域。然而，本研究通过对联邦学习文献的广泛调研和实际实验，提出了解决这些障碍的指南，并证明了联邦学习在肺部病理分割任务中胜过传统方法，从而强调了将联邦学习应用于实际情境的重要性。

    May, 2024

  • 利用联邦学习推进肿瘤学：突破乳腺癌、肺癌和前列腺癌的界限。系统评价

    该研究针对集中式机器学习在肿瘤学中存在的隐私问题和数据多样性利用不足的现状，系统评估了联邦学习在乳腺癌、肺癌和前列腺癌中的应用。研究发现，联邦学习在25项研究中有15项超越了集中式机器学习，显示其在临床设置中增强机器学习泛化性和保护数据隐私方面的有效性，对癌症研究具有重要的推动潜力。

    Aug, 2024