Academic Radiology：可应用于多中心MRI前列腺癌检测的联合学习模型

但迄今为止，机器学习甚至是深度学习算法都无法准确地对前列腺癌进行早期MRI检测。虽然积极的结果显示，临床风险程度较高肿瘤的分期准确性有所提高，但绝大多数的深度学习前列腺癌检测研究发现，当利用Gleason等级组平衡代表的筛查人群时，其准确性与PI-RADS相似。

联合学习（FL）提供了一个克服这些障碍的机会，为临床提供了一个共享模型和丰富数据的平台，可用于广泛的跨站点验证和增强模型训练而不需要共享图像或其他敏感的受保护健康信息（PHI）。然而，现有的FL实现有许多限制，例如只使用有限的一套最常见的神经网络工作架构、冻结模型代码和数据管道、机构内和机构间的数据同质化或发布机构特定的代码或数据，这对研究地点的纳入造成障碍，并限制了专门方法的使用。这对于医学影像问题来说尤其困难，因为在这些问题上，病人的检查方案因研究地点而异，深度学习仍处于探索阶段，而且社区还没有就理想的模型架构或数据格式达成一致，基于MRI的前列腺癌评估就是如此。

相反，临床上需要的是一个灵活的环境来大规模应用深度学习模型，同时保留调试操作、修改模型超参数和数据管道、处理异质数据格式的能力，保持安全、隐私和参与机构的代码和数据的自主性。

近日，发表在Academic Radiology杂志的一项研究介绍了一个灵活的用于跨站点训练、验证和评估定制的深度学习前列腺癌检测算法的联合学习框架，为临床实现的早期前列腺癌检测和分期提供了技术支持。

本项研究介绍了一个带有各种注释和组织病理学数据的前列腺癌基本联合学习框架。研究使用UCNet最大限度地利用这一联合学习框架，所用UCNet可同时监督像素级、区域级和腺体级的分类。研究利用这些模块，并使用两家大学医院的1400多个异质多参数前列腺MRI检查进行跨站联合训练。 

研究观察到了一个积极的结果，对于临床上有意义的前列腺癌的病变分割和每个病变的二元分类，跨站点的标准性能有了明显的改善，而站点内的性能下降可以忽略不计。跨站点病变分割性能的交叉点-联合点（IoU）提高了100%，而跨站点病变分类性能的总体准确性提高了9.5-14.8%，取决于每个站点选择的最佳检查点。 

图 多参数MRI数据的场内和场间变化。(A,B) 加州大学洛杉矶分校数据中ISUP2级病变（倒数）的外观之间的自然变化。(C,D) 加州大学旧金山分校的数据中，MR对比度和病变注释（边界框）的大小有很大程度的变化

本项研究表明，联合学习可以提高跨机构的前列腺癌检测模型的标准化性能，同时可保护患者健康信息和机构特定的代码和数据。然而，可能需要更多的数据和参与机构来提高前列腺癌分类模型的绝对性能。

原文出处：

Abhejit Rajagopal,Ekaterina Redekop,Anil Kemisetti ,et al.Federated Learning with Research Prototypes: Application to Multi-Center MRI-based Detection of Prostate Cancer with Diverse Histopathology.DOI:10.1016/j.acra.2023.02.012