[论文解读] GaNDLF: A Generally Nuanced Deep Learning Framework for Scalable End-to-End Clinical Workflows in Medical Imaging

Sarthak Pati, Siddhesh Thakur+24 more|Edinburgh Research Explorer (University of Edinburgh)|Feb 26, 2021

Radiomics and Machine Learning in Medical Imaging参考文献 90被引用 10

一句话总结

GaNDLF 是一个由社区驱动的深度学习框架，旨在通过提升可复现性、可扩展性和易用性，简化医学影像中的端到端临床工作流程，而无需深入的技术专业知识。它支持多模态、多类别任务，内置 k 折交叉验证、数据增强以及在放射学和组织病理学中的模型训练/推理，已在肿瘤分割、脑部分割和突变预测等多种临床任务中实现最先进性能。

ABSTRACT

Deep Learning (DL) has the potential to optimize machine learning in both the scientific and clinical communities. However, greater expertise is required to develop DL algorithms, and the variability of implementations hinders their reproducibility, translation, and deployment. Here we present the community-driven Generally Nuanced Deep Learning Framework (GaNDLF), with the goal of lowering these barriers. GaNDLF makes the mechanism of DL development, training, and inference more stable, reproducible, interpretable, and scalable, without requiring an extensive technical background. GaNDLF aims to provide an end-to-end solution for all DL-related tasks in computational precision medicine. We demonstrate the ability of GaNDLF to analyze both radiology and histology images, with built-in support for k-fold cross-validation, data augmentation, multiple modalities and output classes. Our quantitative performance evaluation on numerous use cases, anatomies, and computational tasks supports GaNDLF as a robust application framework for deployment in clinical workflows.

研究动机与目标

• 解决医学影像深度学习中的可复现性、可扩展性和临床可部署性挑战。
• 通过提供统一、用户友好的端到端深度学习工作流框架，降低临床医生和研究人员的技术门槛。
• 支持包括 MRI、CT、DBT、WSI 和 X 射线在内的多种成像模态中的多样化临床任务。
• 通过内置的数据增强、交叉验证和模型可解释性支持，实现标准化、可复现的训练和推理。
• 通过模块化、可扩展且文档齐全的软件架构，促进研究模型向临床实践的转化。

提出的方法

• GaNDLF 以 PyTorch 为基础实现，采用模块化、基于配置的流水线，用于数据加载、预处理、模型训练和推理。
• 支持多模态输入（例如，T1、T2、T1-Gd、T2-FLAIR MRI），并集成标准深度学习架构，如 VGG11。
• 该框架原生支持 k 折交叉验证以及多种数据增强策略，以提升模型的鲁棒性和泛化能力。
• 通过基于 YAML 的配置系统实现超参数调优，支持可复现的实验。
• 内置评估指标和模型可解释性工具（如 Grad-CAM），以支持临床信任和验证。
• 框架已容器化，可通过 Docker 部署，确保在科研和临床环境中的部署一致性。

实验结果

研究问题

• RQ1 统一的深度学习框架在医学影像研究中能否提升可复现性和可扩展性？
• RQ2 GaNDLF 在多种成像模态和任务中，能否有效支持端到端临床工作流程？
• RQ3 GaNDLF 内置的数据增强和交叉验证在多大程度上提升了模型的泛化能力和性能？
• RQ4 GaNDLF 能否降低非专家用户在临床环境中部署和微调深度学习模型的技术门槛？
• RQ5 GaNDLF 在多种临床任务中的表现如何，包括肿瘤分割、组织部分割和突变预测？

主要发现

• 在使用 mpMRI 进行 EGFRvIII 状态预测时，GaNDLF 在交叉熵损失、SGD 优化器和 0.1 初始学习率下达到最优性能，展现出高度的可复现性和鲁棒性。
• 该框架成功支持了多模态分割任务，包括脑肿瘤亚区域分割（BraTS 2020）和全脑部分割（MALC 2012），表现出高精度和一致性。
• 在使用 DBT 进行乳腺组织分割时，尽管数据有限，GaNDLF 仍表现出强劲性能，相关结果可向宾夕法尼亚大学申请获取。
• 在使用机构私有数据进行 CT 肺野分割时，GaNDLF 展现出可靠的性能，相关结果可申请获取，并需获得机构许可。
• 该框架利用公开数据集（包括 DFUC 2021 和 TCGA 挑战）成功实现了糖尿病足溃疡和肿瘤浸润淋巴细胞的准确分类。
• GaNDLF 的模块化设计和开源代码库（可在 github.com/mlcommons/GaNDLF 获取）已在多种临床影像应用中实现广泛采用和可复现性。