NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Amaç Dağıtılmış öğrenme, veri paylaşımı düzenlemelerine uymak ve makine öğrenimi (ML) modellerinin eğitimi için çeşitli veri kümelerine erişmek için yaygın olarak kullanılır. Seyahat modeli (TM), bir seferde bir merkezden gelen verileri sırayla eğiten dağıtılmış bir öğrenme yaklaşımıdır ve bu da sınırlı yerel veri setleriyle uğraşırken özellikle avantajlıdır. Bununla birlikte, merkezlerin veri edinimi için farklı tarayıcılar kullanması, modellerin bu farklılıkları kısayol olarak kullanmasına yol açabilecek kritik bir endişe ortaya çıkıyor. Veri uyumlaştırma bu sorunu hafifletebilir olsa da, mevcut yöntemler tipik olarak dağıtılmış kurulumlarda elde edilmesi pratik olmayan büyük veya eşleştirilmiş veri kümelerine dayanır.ApproachWe, TM için uyarlanmış bir veri uyumlaştırma yöntemi olan Harmony TM'yi tanıttı. HarmonyTM, kapsamlı veri setleri gerektirmeden, hastalıkla ilgili önemli bilgileri korurken modelin özellik gösterimindeki önyargıyı etkili bir şekilde hafifletir. Spesifik olarak, Parkinson hastalığını (PD) sınıflandırmak için modelde kullanılan özelliklerden önyargıyı "öğrenmek" için düşmanca eğitim kullandık. HarmonyTM'yi 23 farklı tarayıcı kullanarak 83 merkezden çok merkezli üç boyutlu (3D) nörogörüntüleme veri setlerini kullanarak değerlendirdik.SonuçlarSonuçlarHarmonyTM'nin PD sınıflandırma doğruluğunu %72'den %76'ya çıkardığını ve (istenilmeyen) tarayıcı sınıflandırma doğruluğunu TM kurulumunda %53'ten %30'a düşürdüğünü göstermektedir.ConclusionHarmonyTM TM yaklaşımı içinde 3D nörogörüntüleme verilerini en aza indirmeyi amaçlayan bir yöntemdir. Bu, hastalık sınıflandırıcısının, klinik uygulamalar için ML modellerini dağıtmak için PD-önemli bir yönü olan veya olmayan hastaları sınıflandırmak için tarayıcıya özgü ayrıntılardan yararlanmasını önler.
Özgün kaynak özetini okuyun
PurposeDistributed learning is widely used to comply with data-sharing regulations and access diverse datasets for training machine learning (ML) models. The traveling model (TM) is a distributed learning approach that sequentially trains with data from one center at a time, which is especially advantageous when dealing with limited local datasets. However, a critical concern emerges when centers utilize different scanners for data acquisition, which could potentially lead models to exploit these differences as shortcuts. Although data harmonization can mitigate this issue, current methods typically rely on large or paired datasets, which can be impractical to obtain in distributed setups.ApproachWe introduced HarmonyTM, a data harmonization method tailored for the TM. HarmonyTM effectively mitigates bias in the model's feature representation while retaining crucial disease-related information, all without requiring extensive datasets. Specifically, we employed adversarial training to "unlearn" bias from the features used in the model for classifying Parkinson's disease (PD). We evaluated HarmonyTM using multi-center three-dimensional (3D) neuroimaging datasets from 83 centers using 23 different scanners.ResultsOur results show that HarmonyTM improved PD classification accuracy from 72% to 76% and reduced (unwanted) scanner classification accuracy from 53% to 30% in the TM setup.ConclusionHarmonyTM is a method tailored for harmonizing 3D neuroimaging data within the TM approach, aiming to minimize shortcut learning in distributed setups. This prevents the disease classifier from leveraging scanner-specific details to classify patients with or without PD-a key aspect for deploying ML models for clinical applications.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.