原題
Center-specific Federated Learning for Radiation Pneumonitis:A Cross-Center Adaptive Alternating Framework.
背景:症候性放射線肺炎(RP)の予測は重要であるが、連合学習は不均一な多施設データで苦労している。
方法:動的な重み付けと差分プライバシーを使用して、グローバルな特徴とローカルな特徴を分離する連合フレームワークであるFCAAMをテストした。4つの多様なデータセットにわたって患者1,238人のCT画像および線量画像で訓練し、単一施設モデル、集中モデル、およびFedAvgモデルと比較した。
結果:FCAAMはAUCs 0.71-0.77を達成し、単一施設(AUCs<0.70)およびFedAvgを上回り、集中型と同等であり、小規模施設の感度を改善した;解釈可能性およびウェブプラットフォームは実現可能性を支持した。
結論:FCAAMは、プライバシーを保護し、強固で、解釈可能なアプローチであり、施設間のギャップを狭め、個別化された放射線療法を改善する可能性がある。
Journal: Int J Radiat Oncol Biol Phys (CiteScore 2022: 11)
DOI: 10.1016/j.ijrobp.2026.06.3083
PMID: 42431327
コメント