遵循FAIR原则的大成像数据管道在肿瘤学联合机器学习中的实现

1、原文

Implementation of Big Imaging Data Pipeline Adhering to FAIR Principles for Federated Machine Learning in Oncology

https://ieeexplore.ieee.org/document/9546929  

2、摘要

癌症是一种致命疾病，也是全球主要死因之一。癌症治疗的治愈率仍然很低；因此，癌症治疗正逐渐转向个性化治疗。人工智能(AI)和放射组学已被公认为肿瘤学个性化医疗的潜在研究领域之一。一些研究人员已经确定了人工智能和放射组学表征表型的能力，并通过预测肿瘤学治疗的结果。尽管人工智能和放射组学在肿瘤诊断和治疗方面已显示出可喜的初步成果，但这些技术也面临着标准化和可扩展性的挑战。在过去几年中，研究人员一直在尝试开发一种用于联合机器学习的研究基础设施，以提高大数据在临床研究中的可用性。这些研究基础设施基于可查找、可访问、可互操作和可重用（即FAIR）数据原则。印度-荷兰“荷兰印度合作中的肿瘤大成像数据方法”(BIONIC)是由荷兰研究委员会(NWO)和印度电子和信息技术部(MeitY)共同资助的一项倡议，旨在引入放射学-使用联邦机器学习对地理上分散的FAIR数据集合进行基于临床环境的研究。本文描述了通过BIONIC合作伙伴在印度领先的癌症护理公立医院实施的端到端研究基础设施原型。

3、正文

------------------------------------------------------------------

----------------------------------------------------------------

---------------------------------------------------------------

-----------------------------------------------------------------

---------------------------------------------------------------

4、结论

我们实施了一个医学成像数据处理管道，将临床因素、成像元数据和提取的放射组学特征联系起来。这是为综合性癌症而做的印度医院(TMH)作为BIONIC印度-荷兰研究合作的示范。跨HIS子系统的数据集成以FAIR数据原则为指导；具体来说，我们依靠领域语义本体来进行术语标准化、知识表示和内部数据链接。我们收集并存储临床数据、DICOM成像元数据，并将放射组学特征提取为RDF存储库。还提供了一个基于浏览器的仪表板，以促进作为可能的临床研究环境的使用和未来部署。这种基于本地RDF的系统可与多中心联合机器学习基础架构协同并轻松连接。

5、参考文献