ترجمه فارسی مقاله Fedkbp: چارچوب پیش بینی دوز فدرال برای برنامه ریزی دانش مبتنی بر دانش در پرتودرمانی

چکیده

Dose prediction plays a key role in knowledge-based planning (KBP) by automatically generating patient-specific dose distribution. Recent advances in deep learning-based dose prediction methods necessitates collaboration among data contributors for improved performance. Federated learning (FL) has emerged as a solution, enabling medical centers to jointly train deep-learning models without compromising patient data privacy. We developed the FedKBP framework to evaluate the performances of centralized, federated, and individual (i.e. separated) training of dose prediction model on the 340 plans from OpenKBP dataset. To simulate FL and individual training, we divided the data into 8 training sites. To evaluate the effect of inter-site data variation on model training, we implemented two types of case distributions: 1) Independent and identically distributed (IID), where the training and validating cases were evenly divided among the 8 sites, and 2) non-IID, where some sites have more cases than others. The results show FL consistently outperforms individual training on both model optimization speed and out-of-sample testing scores, highlighting the advantage of FL over individual training. Under IID data division, FL shows comparable performance to centralized training, underscoring FL as a promising alternative to traditional pooled-data training. Under non-IID division, larger sites outperformed smaller sites by up to 19% on testing scores, confirming the need of collaboration among data owners to achieve better prediction accuracy. Meanwhile, non-IID FL showed reduced performance as compared to IID FL, posing the need for more sophisticated FL method beyond mere model averaging to handle data variation among participating sites.

چکیده به فارسی (ترجمه ماشینی)

پیش بینی دوز با تولید خودکار توزیع دوز خاص بیمار نقش مهمی در برنامه ریزی دانش مبتنی بر دانش (KBP) دارد.پیشرفت های اخیر در روشهای پیش بینی دوز مبتنی بر یادگیری عمیق ، نیاز به همکاری بین مشارکت کنندگان داده ها برای بهبود عملکرد دارد.یادگیری فدرال (FL) به عنوان یک راه حل ظاهر شده است و مراکز پزشکی را قادر می سازد تا به طور مشترک مدل های یادگیری عمیق را بدون به خطر انداختن حریم خصوصی داده های بیمار آموزش دهند.ما چارچوب FEDKBP را برای ارزیابی عملکرد آموزش متمرکز ، فدرال و فردی (یعنی جدا شده) مدل پیش بینی دوز در برنامه های 340 از مجموعه داده OpenKBP تهیه کردیم.برای شبیه سازی FL و آموزش های فردی ، داده ها را به 8 سایت آموزشی تقسیم کردیم.برای ارزیابی تأثیر تغییر داده های بین سایت در آموزش مدل ، ما دو نوع توزیع مورد را اجرا کردیم: 1) مستقل و یکسان توزیع شده (IID) ، جایی که موارد آموزش و اعتبار سنجی به طور مساوی بین 8 سایت تقسیم می شوند ، و 2) غیر-IID ، جایی که برخی از سایت ها موارد بیشتری نسبت به سایر موارد دارند.نتایج نشان می دهد که FL به طور مداوم از آموزش های فردی در هر دو سرعت بهینه سازی مدل و نمرات آزمایش خارج از نمونه بهتر عمل می کند ، و مزیت FL را نسبت به آموزش های فردی برجسته می کند.در بخش داده های IID ، FL عملکرد قابل مقایسه ای را با آموزش متمرکز نشان می دهد ، و تأکید می کند FL به عنوان یک جایگزین امیدوارکننده برای آموزش داده های سنتی جمع شده است.در بخش غیر IID ، سایت های بزرگتر از سایت های کوچکتر از 19 ٪ در نمرات آزمایش بهتر عمل می کنند و تأیید نیاز به همکاری بین صاحبان داده ها برای دستیابی به دقت پیش بینی بهتر را تأیید می کنند.در همین حال ، FL غیر IID عملکرد کاهش یافته در مقایسه با IID FL را نشان داد ، و نیاز به روش FL پیشرفته تر فراتر از مدل صرفاً به طور متوسط ​​برای رسیدگی به تغییر داده ها در سایت های شرکت کننده است.