赫尔辛基大学佩雷曼医学院与英特尔实验室合作开展了一项研究，旨在通过使用一种称为联邦机器学习（Federated ML） ，即FL（联邦学习），即FL）的机器学习来改进脑肿瘤检测。两年后，该项目证明检测率提高了33，这个早期的检测和指导治疗方案可能具有不可估量的价值。

该研究专门针对星形母细胞瘤，研究人员称星形母细胞瘤是脑部最常见、最致命的成人肿瘤。尽管近几十年来治疗选择有所扩大，但总生存率并未显着提高。使用标准治疗的中位生存时间约为 14 个月，如果没有标准治疗则 4 个月。

将机器学习评估医学研究的最大挑战之一是在保护患者隐私的同时集中数据的过程。与集中式学习（CL）不同，集中式学习（CL）将所有数据聚合到一个桶中，FL模型允许每个合作伙伴在本地保留其数据。能够通过仅共享数字模型更新来覆盖多个站点和组织，从而符合HIPAA和其他医疗保健法规要求。在这项研究中，能够从6大洲的71个站点收集数据。在研究星状母细胞瘤等罕见疾病时，这种全球视野非常宝贵，目前每 100，000 人中就有 3 人患这种疾病。

学习过程本身被评估多参数推理 (mpMRI) 扫描，可以揭示大脑中星形母细胞瘤的存在。这些肿瘤由三个主要的子隔室组成，区分这些边界的位置会影响治疗过程，包括手术或放疗。研究将边界检测过程描述为ldquo；多参数多类学习问题rdquo；。

每个参与站点都通过协调过程准备自己的数据，该过程可以解释不同地点之间的不同方法。mpMRI扫描来自医学数字推理和通信（ DICOM) 格式转换为神经影像信息学技术倡议 (NIfTI) 格式，该格式也消除了任何患者身份信息中的过程。在将扫描地图和归一化为体素的一些额外处理之后，应用蒙版以从图像中删除所有非脑组织。mpMRI 扫描是通过 [128， 128， 128] 大小的补丁随机采样的，作者指出，这些补丁能够放入至少具有 11GB VRAM 的离散 GPU 的内存中。免责声明：本文为转载，非本网原创内容，不代表本网观点。其原创性文字中陈述文字和内容未经本站，对文字以及其中全部或者部分内容、文字的真实性、完整性、及时性的证实本站不作任何保证或承诺，请读者仅作参考，并请自行修改相关内容。