Federated learning for predicting histological response to neoadjuvant chemotherapy in triple-negative breast cancer

Terrail, Jean Ogier du; Leopold, Armand; Joly, Clément; Béguier, Constance; Andreux, Mathieu; Maussion, Charles; Schmauch, Benoît; Tramel, Eric W.; Bendjebbar, Etienne; Zaslavskiy, Mikhail; Wainrib, Gilles; Milder, Maud; Gervasoni, Julie; Guérin, J.; Durand, Thierry; Livartowski, Alain; Moutet, Kelvin; Gautier, Camille; Djafar, Inal; Moisson, Anne-Laure; Marini, Camille; Galtier, Mathieu; Balazard, Félix; Dubois, Rémy; Moreira, Jeverson; Simon, Antoine; Drubay, Damien; Lacroix-Triki, Magali; Franchet, Camille; Bataillon, Guillaume; Heudel, Pierre

doi:10.1038/s41591-022-02155-w

Cited by 88 publications

(32 citation statements)

References 88 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…57 In contrast to the conventional data pooling approach, the federated approach trains models locally within each institution. 58 For instance, in forming a federated model, only the models trained in the institutions are shared and aggregated by a central organizing company. Over time, the federated model is then optimized by integrating the insights from all different sources without directly accessing individual patient data from the institutions.…”

Section: Data Sharing Distributed Learning and Synthetic Data Generationmentioning

confidence: 99%

“…Federated data access offers a novel way to break these data silos and enable collaborative ML efforts among different data sources (i.e., pharmaceutical companies, clinical researchers, manufacturers, and hospitals) 57 . In contrast to the conventional data pooling approach, the federated approach trains models locally within each institution 58 . For instance, in forming a federated model, only the models trained in the institutions are shared and aggregated by a central organizing company.…”

Section: Challenges and Future Directionmentioning

confidence: 99%

See 1 more Smart Citation

Current Status and Future Directions: The Application of Artificial Intelligence/Machine Learning for Precision Medicine

Naik,

Goyal,

Foschini

et al. 2024

Clin Pharma and Therapeutics

View full text Add to dashboard Cite

Technological innovations, such as artificial intelligence (AI) and machine learning (ML), have the potential to expedite the goal of precision medicine, especially when combined with increased capacity for voluminous data from multiple sources and expanded therapeutic modalities; however, they also present several challenges. In this communication, we first discuss the goals of precision medicine, and contextualize the use of AI in precision medicine by showcasing innovative applications (e.g., prediction of tumor growth and overall survival, biomarker identification using biomedical images, and identification of patient population for clinical practice) which were presented during the February 2023 virtual public workshop entitled “Application of Artificial Intelligence and Machine Learning for Precision Medicine,” hosted by the US Food and Drug Administration (FDA) and University of Maryland Center of Excellence in Regulatory Science and Innovation (M‐CERSI). Next, we put forward challenges brought about by the multidisciplinary nature of AI, particularly highlighting the need for AI to be trustworthy. To address such challenges, we subsequently note practical approaches, viz., differential privacy, synthetic data generation, and federated learning. The proposed strategies – some of which are highlighted presentations from the workshop – are for the protection of personal information and intellectual property. In addition, methods such as the risk‐based management approach and the need for an agile regulatory ecosystem are discussed. Finally, we lay out a call for action that includes sharing of data and algorithms, development of regulatory guidance documents, and pooling of expertise from a broad‐spectrum of stakeholders to enhance the application of AI in precision medicine.

show abstract

Section: Data Sharing Distributed Learning and Synthetic Data Generationmentioning

confidence: 99%

Section: Challenges and Future Directionmentioning

confidence: 99%

Current Status and Future Directions: The Application of Artificial Intelligence/Machine Learning for Precision Medicine

Naik,

Goyal,

Foschini

et al. 2024

Clin Pharma and Therapeutics

View full text Add to dashboard Cite

show abstract

“…Based on the proportion of data in different centers, the FedAvg algorithm weighs and averages the model parameters on the central server and feeds them back to each center. FedAvg achieved preliminary results in the clinical tasks of COVID-19 lung abnormalities detection, 142 rare cancer boundary detection, 143 response prediction to neoadjuvant treatment, 144 and prognosis prediction. 145 However, the FedAvg strategy may exacerbate the negative impact of non-IID data on model training and affect model convergence.…”

Section: Patient Privacy Protectionmentioning

confidence: 99%

Improving prediction of treatment response and prognosis in colorectal cancer with AI-based medical image analysis

Liu,

Zhang,

Shao

et al. 2024

TIME

View full text Add to dashboard Cite

<p>The heterogeneous response and prognosis of patients with colorectal cancer (CRC) to standard treatment regimens remains a challenge for clinical management. Individually weak prognostic markers, defined by gene mutations and protein expression, are difficult to apply in routine clinical practice because of their high acquisition cost and mediocre prediction accuracy. Visual evaluation of medical images, including radiology and digital pathology images, is an important part of CRC management. With the rapid development of artificial intelligence (AI), high-dimensional imaging features other than visual information are increasingly being used to develop imaging markers. At different stages of treatment, accurate predictions of treatment response and prognosis may help in selecting patients and tailoring their treatment. Here, we review the current state of AI applied to the medical imaging of CRC and describe its recent progress in short-term response and long-term survival prediction. In addition, we illustrate how these AI-based approaches may affect clinical decision-making. Although few approaches have been applied in routine clinical practice, their results are promising. Finally, we discuss the challenges in applying AI in clinical practice and possible future solutions from three perspectives: model interpretability, model generalizability, and patient privacy protection. This comprehensive assessment underscores the transformative potential of AI in CRC management and emphasizes the need for further exploration and integration into routine clinical workflows.</p>

show abstract

“…Itt szövettani teljes digitális képek mély tanulásával (deep learning), azaz a képek több rétegben kivonatolható tulajdonságain alapuló, mesterséges neurális hálózatok rétegeiben leképezett, általánosító következtetésekkel dolgoztak, megkerülve az időigényes szakértői annotációt. Ezzel együtt az értelmezhetőség sem veszett el teljesen, ismert és potenciális biomarkerek -mint az apokrin daganatsejtek, az infiltráló lymphocyták, illetve a fibrosis és a daganatsejtek elrendeződésejelentőségét sikerült számszerűsíteni [28].…”

Section: Adatvagyonleltár éS Együ�működési Célok áLtal Vezérelt Adatg...unclassified

Az érzékeny kutatási adatok megosztása a személyre szabott orvoslás gyakorlatában

Molnár

Sági

Molnár

2023

View full text Add to dashboard Cite

Az egészségügyi és az orvosbiológiai kutatások adatainak széttagoltsága az adatvezérelt döntéseken alapuló, személyre szabott orvoslás egyik akadálya. A fejlődéshez a méretben és komplexitásban is rendkívüli, ám töredezett egészségügyi adatkincs hatékony kiaknázását, illetve az intézményeken vagy akár határokon is átívelő adatmegosztást biztosító technológiák szükségesek. A biobankok nemcsak a minták archívumai, hanem adatintegrációs központok is egyúttal. A biobankok adatainak együttműködésben történő elemzése értékesebb következtetéseket ígér. Az adatok megosztásának előfeltétele a harmonizáció, azaz a minták egyedi klinikai és molekuláris jellemzőinek egységes adatmodellben és standard kódokkal történő leképezése. Az egészségügyben keletkezett információk ezekben a közös sémára illesztett adatbázisokban válnak elérhetővé a gépi tanulás számára, így a módszer az együttműködés során a személyes adatokat tiszteletben tartó felhasználásra is lehetőséget ad. Az érzékeny egészségügyi adatok újraértékelése elképzelhetetlen a személyes adatok védelme nélkül, amelynek jogi és koncepcionális kereteit a GDPR- (General Data Protection Regulation) és a FAIR- (findable, accessible, interoperable, reusable) elvek jelölik ki. Az Európában működő biobankok számára a BBMRI-ERIC (Biobanking and Biomolecular Research Infrastructure – European Research Infrastructure Consortium) kutatási infrastruktúra fejleszt közös irányelveket, amelyhez hazánk 2021-ben mint Magyar BBMRI Csomópont csatlakozott. Első lépésben a biobankok szövetségében kapcsolódhatnak össze a széttagolt adathalmok, ahol sokrétű kutatási cél által motivált, igényesen összerendezett adatkészletek válnak hozzáférhetővé. Ezt követően, a betegellátás valós környezetében keletkezett adatok magasabb szinten történő értékelése is lehetővé válik, így a klinikai vizsgálatok szigorú keretek között generált bizonyítékai új szintre kerülhetnek. Közleményünkben a „federált” adatmegosztásban rejlő lehetőségeket mutatjuk be a Semmelweis Egyetem biobankjainak közös projektje kapcsán. Orv Hetil. 2023; 164(21): 811–819.

show abstract

Federated learning for predicting histological response to neoadjuvant chemotherapy in triple-negative breast cancer

Cited by 88 publications

References 88 publications

Current Status and Future Directions: The Application of Artificial Intelligence/Machine Learning for Precision Medicine

Current Status and Future Directions: The Application of Artificial Intelligence/Machine Learning for Precision Medicine

Improving prediction of treatment response and prognosis in colorectal cancer with AI-based medical image analysis

Az érzékeny kutatási adatok megosztása a személyre szabott orvoslás gyakorlatában

Contact Info

Product

Resources

About