En retrospektiv analys av magnetisk resonanstomografidata för bröstcancerscreening i det öppna konsortiet för decentraliserad medicinsk artificiell intelligens (ODELIA)

Artificiell intelligens (AI) kommer att revolutionera vården när dess diagnostiska prestanda närmar sig kliniska experters. I synnerhet vid cancerscreening kan AI hjälpa patienter att fatta bättre välgrundade beslut och minska medicinska fel. Detta kräver dock stora datamängder vars insamling möter allvarliga praktiska, etiska och juridiska hinder. Dessa hinder skulle potentiellt kunna övervinnas med swarm learning (SL) där partners tillsammans tränar AI-modeller utan att dela några data. Ändå är tillgången till SL-teknik för närvarande begränsad eftersom inga studier har implementerat SL i en verklig multinationell uppsättning, ingen fritt användbar implementering av SL är tillgänglig, forskare och vårdgivare har ingen erfarenhet av att sätta upp SL-nätverk och beslutsfattare är för närvarande omedvetna om det bredare konsekvenserna av SL.

ODELIA kommer att sträva efter att lösa dessa problem: ODELIA kommer att bygga ett ramverk för öppen källkod för SL, som tillhandahåller en monteringslinje för strömlinjeformad utveckling av AI-lösningar i en preklinisk miljö. För att fungera som en plan för framtida SL-baserade AI-system, samarbetar ODELIA-partners som ett konsortium för att utveckla AI-modeller för upptäckt av bröstcancer vid magnetisk resonanstomografi (MRT). Storleken på ODELIAs distribuerade databas kommer att vara betydande och ODELIAs AI-modeller kan nå prestanda på expertnivå för screening av bröstcancer.

Därmed kunde ODELIA will inte bara leverera en användbar medicinsk applikation, utan ge bevis för att sammanfatta den kliniska fördelen med SL i termer av accelererad utveckling, ökad prestanda och robust generaliserbarhet.

För att uppnå detta kommer ODELIA-partners att samla in retrospektiva, anonymiserade bröst-MR-datauppsättningar med manuella märkningar för förekomst av cancer, och kommer att träna AI-modeller konventionellt och via SL. Prestanda för dessa tekniska tillvägagångssätt kommer att jämföras. Syftet med studien är att testa metodiken för Swarm Learning och prestandan hos AI-algoritmer utvecklade inom ODELIA på retrospektiv data. Det kommer ingen effekt på behandlingen av patienter eftersom alla utvärderingar kommer att göras i efterhand. Ingen patientbehandling eller någon intervention är associerad med studien.