Пожизненный НГУ

Том 13 научных докладов, номер статьи: 9381 (2023) Цитировать эту статью

Подробности о метриках

По мере роста энтузиазма в отношении глубокого обучения как практикующие врачи, так и регулирующие органы изучают способы безопасного внедрения сегментации изображений в клиническую практику. Одна из проблем, которую необходимо преодолеть при переносе многообещающих исследований в открытый клинический мир, — это переход от статического обучения к непрерывному. Непрерывное обучение, практика обучения моделей на протяжении всего их жизненного цикла, вызывает растущий интерес, но в здравоохранении все еще находится в зачаточном состоянии. Мы представляем Lifelong nnU-Net, стандартизированную структуру, которая предоставляет исследователям и врачам постоянную сегментацию. Построенный на основе nnU-Net, который широко известен как наиболее эффективный сегментатор для множества медицинских приложений, и оснащенный всеми необходимыми модулями для последовательного обучения и тестирования моделей, мы обеспечиваем широкую применимость и снижаем барьер для непрерывной оценки новых методов. мода. Результаты наших тестов по трем вариантам использования медицинской сегментации и пяти методам непрерывного обучения дают комплексное представление о текущем состоянии отрасли и представляют собой первый воспроизводимый тест.

Методы глубокого обучения для медицинских целей продолжают оцениваться в статических условиях, когда все доступные данные перемешиваются, а модель тестируется на подмножестве находящихся в распределении выборок. Это основано на нереалистичных предположениях о том, что (а) все данные обучения доступны в центральном месте и (б) условия сбора не меняются со временем после клинического развертывания1. Подобная оценка создает значительный разрыв между заявленными характеристиками новых методов и их применимостью на практике2,3,4, что препятствует жизненно важному внедрению средств обучения на протяжении всей жизни в динамичных клинических средах5.

Непрерывное обучение не пренебрегает временным измерением данных и обучает модели последовательным образом, как показано на рис. 1. Целью настоящей работы является адаптация к новой среде без потери производительности в ранее наблюдаемых условиях обучения и группах субъектов. Методы распределенного федеративного обучения были изучены в мультиклинических условиях и также не требуют обмена данными между учреждениями6,7. Однако они не устраняют временные ограничения на доступность данных и не обеспечивают основу для агентов, которые постоянно адаптируются к меняющейся динамике населения. Непрерывное обучение в сфере здравоохранения, направленное на решение этих проблем, вызывает все больший энтузиазм8,9,10,11, а нормативные процедуры активно обсуждаются5,12,13. В настоящее время повторное одобрение требуется каждый раз, когда модель адаптируется во время развертывания, но как со стороны FDA, так и со стороны Европейской комиссии существуют инициативы по созданию протокола регулирования жизненного цикла, который позволяет использовать постоянно адаптируемые алгоритмы14. Эти усилия могут привести нас к редкой ситуации, когда нормативные требования действуют, а технология все еще находится в зачаточном состоянии.

В статической настройке (слева) все данные обучения собираются вместе. Непрерывные настройки (справа) учитывают время сбора данных и последовательно обучают модель.

Техническая литература по непрерывному обучению для более простых задач компьютерного зрения изобилует противоречиями по поводу отсутствия стандартизированной системы оценки15,16,17. Недавно проект Avalanche18 появился как решение этой проблемы непрерывной классификации путем предоставления унифицированной базы кода. Эта область еще не настолько развита для непрерывной сегментации, которая присваивает метку каждому пикселю изображения и, возможно, является основной задачей ИИ в клинической области. Хотя в последние годы было проделано больше работы8,10,19,20,21,22,23, она не (1) не основывается на высокопроизводительных конвейерах сегментации и (2) не исследует, как популярные методы переходят на сегментацию изображений для нескольких изображений. тесты с открытым исходным кодом.

В этой работе мы представляем Lifelong nnU-Net, стандартизированную структуру для обучения и оценки моделей сегментации в постоянных условиях. Мы создаем наш код на основе конвейера nnU-Net, который широко популярен и современен для решения 33 задач медицинской сегментации (и конкурентоспособен для двадцати дополнительных задач) в 11 международных задачах биомедицинской сегментации24. Это обеспечивает высокое удобство использования и производительность нашей расширенной структуры. Наш вклад: