[論文レビュー] Federated Learning Enables Big Data for Rare Cancer Boundary Detection

Sarthak Pati, Ujjwal Baid+277 more|arXiv (Cornell University)|Apr 22, 2022

Glioma Diagnosis and Treatment被引用数 11

ひとこと要約

本論文は、71の国際機関が参加するグローバルな共同研究において、生データを共有せずに、深層学習モデルを用いて膠腫瘍（glioblastoma）の腫瘍境界を自動検出するためのフェデレーテッドラーニング（FL）フレームワークを提案する。文献上最大のデータセットである6,314名の患者から得られた25,256枚のMRIスキャンを用い、手術的標的となる腫瘍領域の検出において33%の改善、全腫瘍範囲の検出において23%の改善を達成し、希少疾患研究におけるFLのスケーラビリティと有効性を示している。

ABSTRACT

Although machine learning (ML) has shown promise in numerous domains, there are concerns about generalizability to out-of-sample data. This is currently addressed by centrally sharing ample, and importantly diverse, data from multiple sites. However, such centralization is challenging to scale (or even not feasible) due to various limitations. Federated ML (FL) provides an alternative to train accurate and generalizable ML models, by only sharing numerical model updates. Here we present findings from the largest FL study to-date, involving data from 71 healthcare institutions across 6 continents, to generate an automatic tumor boundary detector for the rare disease of glioblastoma, utilizing the largest dataset of such patients ever used in the literature (25,256 MRI scans from 6,314 patients). We demonstrate a 33% improvement over a publicly trained model to delineate the surgically targetable tumor, and 23% improvement over the tumor's entire extent. We anticipate our study to: 1) enable more studies in healthcare informed by large and diverse data, ensuring meaningful results for rare diseases and underrepresented populations, 2) facilitate further quantitative analyses for glioblastoma via performance optimization of our consensus model for eventual public release, and 3) demonstrate the effectiveness of FL at such scale and task complexity as a paradigm shift for multi-site collaborations, alleviating the need for data sharing.

研究の動機と目的

• 膠腫瘍のような希少がんの機械学習モデルにおけるデータ多様性と一般化性能の制限に取り組む。
• 多施設共同研究におけるプライバシー、規制的および運用的制約により、中央集権的なデータ共有が困難となる障壁を克服する。
• グローバルに分散されたデータセット上で高精度な腫瘍分類モデルを学習するため、スケーラブルかつプライバシー保護型の機械学習フレームワークをフェデレーテッドラーニングを用いて開発する。
• 希少疾患応用において、多様な集団および画像プロトコルにわたる強固で一般化可能なモデル性能を実現する。
• 神経腫瘍学分野における複雑な医用画像分類タスクにおいて、大規模なフェデレーテッドラーニングの実現可能性と優位性を実証する。

提案手法

• 生画像を共有せずに、71の機関に分散されたMRIデータ上で個別にローカルモデルを学習するフェデレーテッドラーニングフレームワークを採用した。
• 参加施設から得たモデル更新（勾配または重み）を、安全かつプライバシー保護的な方法で中央サーバーが集約した。
• ローカルモデルを統合してグローバルモデルを構築するコンSENSUSトレーニング戦略を適用し、一般化性能とロバストネスを向上させた。
• 3D U-Netに基づく畳み込みニューラルネットワーク（CNN）アーキテクチャを用い、3D MRIにおける膠腫瘍腫瘍境界の分類を実施した。
• 施設間での画像プロトコルのばらつきに対応するため、データ拡張および正規化技術を実装した。
• モデル平均化と学習率スケジューリングを用いた反復的FLラウンドを実施し、収束性と性能を最適化した。

実験結果

リサーチクエスチョン

• RQ1 フェデレーテッドラーニングは、生医用画像を中央集権的に集約せずに、大規模で多様かつ地理的に分散したデータセット上で、膠腫瘍腫瘍分類のための深層学習モデルを有効に学習できるか？
• RQ2 フェデレーテッドモデルは、公開済みの中央集権的トレーニングモデルと比較して、手術的標的となる腫瘍領域および全腫瘍範囲の両方の分類において、どの程度優れた性能を示すか？
• RQ3 フェデレーテッド環境下で、画像プロトコル、スキャナータイプ、および患者集団ごとの差異がモデル性能に与える影響はいかほどか？
• RQ4 フェデレーテッドラーニングを用いた希少疾患応用において、データの多様性とスケールがモデル一般化性能に与える影響は何か？
• RQ5 多施設医用AI研究において、フェデレーテッドラーニングは、中央集権的データ共有の代替手段としてスケーラブルかつプライバシー保護的であると言えるか？

主な発見

• フェデレーテッドラーニングモデルは、公開済みのベースラインモデルと比較して、手術的標的となる腫瘍領域の検出において、Diceスコアで33%の相対的改善を達成した。
• 全腫瘍範囲の分類においても、Diceスコアで23%の相対的改善を示し、包括的な腫瘍境界の正確な特定が向上したことを示した。
• 本研究は、6大陸にまたがる71の機関から得られた、膠腫瘍分類分野で知られている最大のデータセット（6,314名の患者、25,256枚のMRIスキャン）を活用した。
• フェデレーテッドラーニングで訓練されたコンセンサスモデルは、多様な画像プロトコルおよび患者集団にわたって優れた一般化性能を示し、FLアプローチのロバストネスを確認した。
• 複数の検証コホートにおいて一貫した性能向上が確認され、モデルの信頼性と転送可能性が裏付けられた。
• 結果は、フェデレーテッドラーニングが希少疾患研究における大規模かつ多施設共同の医用AI研究のための実用的でスケーラブルかつプライバシー保護型のパラダイムであることを裏付けた。