[论文解读] Federated Learning for the Classification of Tumor Infiltrating Lymphocytes

Ujjwal Baid, Sarthak Pati+7 more|arXiv (Cornell University)|Mar 30, 2022

AI in cancer detection被引用 11

一句话总结

本研究评估了联邦学习（FL）在全切片图像（WSIs）中对肿瘤浸润淋巴细胞（TILs）分类的性能，数据来自癌症 genome 图谱（TCGA）的12种癌症类型。联邦学习实现了与集中式训练相当的性能，表明在不共享数据的情况下，多机构合作可生成稳健且可泛化的TIL分类模型，同时保护数据隐私。

ABSTRACT

We evaluate the performance of federated learning (FL) in developing deep learning models for analysis of digitized tissue sections. A classification application was considered as the example use case, on quantifiying the distribution of tumor infiltrating lymphocytes within whole slide images (WSIs). A deep learning classification model was trained using 50*50 square micron patches extracted from the WSIs. We simulated a FL environment in which a dataset, generated from WSIs of cancer from numerous anatomical sites available by The Cancer Genome Atlas repository, is partitioned in 8 different nodes. Our results show that the model trained with the federated training approach achieves similar performance, both quantitatively and qualitatively, to that of a model trained with all the training data pooled at a centralized location. Our study shows that FL has tremendous potential for enabling development of more robust and accurate models for histopathology image analysis without having to collect large and diverse training data at a single location.

研究动机与目标

• 评估联邦学习作为全切片图像中TIL分类集中式训练的隐私保护替代方案。
• 评估联邦学习是否可在不共享原始组织病理学数据的情况下，生成与集中式训练性能相当的模型。
• 研究不同癌症类型间数据异质性对联邦学习模型泛化能力的影响。
• 证明通过去中心化协作训练稳健的泛癌TIL检测模型的可行性。
• 评估联邦设置下单个机构模型与全局共识模型的性能表现。

提出的方法

• 本研究模拟了包含8个分布式节点的联邦学习环境，每个节点持有来自TCGA一个或多个癌症类型的训练数据。
• 每个节点在其从全切片图像中提取的50×50平方微米图像块上，使用基于VGG16的深度学习模型进行训练。
• 通过FedAvg（FedAvg算法）在中心位置聚合模型更新，形成不共享原始数据的全局共识模型。
• 性能通过保留的本地验证数据进行评估，并对未见的全切片图像进行定性分析。
• 以在全部数据上训练的原始集中式VGG16模型作为性能基准。
• TIL分类定义为预测图像块是否包含两个或以上淋巴细胞（TIL阳性）或否（TIL阴性）。

实验结果

研究问题

• RQ1 联邦学习能否在全切片图像中实现与集中式训练相当的TIL检测分类性能？
• RQ2 不同癌症类型之间的数据异质性如何影响联邦设置下各机构模型的性能？
• RQ3 通过联邦学习训练的全局共识模型是否在平衡准确率方面优于单个机构模型？
• RQ4 联邦模型生成的TIL热图与集中式模型相比，在定性上表现如何？
• RQ5 联邦学习能否有效提升数据有限或不平衡的机构（如葡萄膜黑色素瘤，UVM）的模型性能？

主要发现

• 联邦共识模型实现了89.4%的平衡分类准确率，高于各单个机构模型的平均值（85.7%）。
• 第6号机构仅使用葡萄膜黑色素瘤（UVM）数据训练，且其本地验证集中无TIL阳性图像块，仍实现了完美准确率，证实了模型对阴性病例的特异性。
• 联邦模型生成的TIL热图与集中式模型高度一致，表明其定性匹配度高。
• 第7号机构的模型在TIL预测上更为保守，凸显了本地数据分布对模型行为的影响。
• 第4号和第8号机构生成的TIL图谱相似，且在全切片图像的左侧区域显示出更高的TIL信号，表明这些机构可能存在领域偏移或数据偏差。
• 联邦方法使数据有限的机构（如UVM）能够受益于全局知识，使模型鲁棒性超越本地能力。