英伟达(Nvidia)和伦敦国王学院(King’s College London)的人工智能研究人员利用联邦学习训练神经网络，对脑瘤进行分割。英伟达称，这是医学图像分析的首个里程碑。这项技术可以在医院和研究人员之间共享数据，同时保护病人的隐私。
联邦学习是一种机器学习方法，当使用客户机-服务器方法时，可以消除为了训练模型而创建单个数据湖的需要。相反，模型是在本地设备上训练的，然后将来自多台机器的见解传输到一个中心模型。
(资料图片)
“你需要实现这些创新，我相信有两种方式。其中之一是我们去年8月发布的，它是目前最好的通用模型，你可以把它发送到每一家医院，在那里他们可以为自己的病人进行本地化。”英伟达医疗总监Abdul Halabi在电话采访中告诉VentureBeat。“另一个是说:‘让我们从一开始就一起战斗，尽可能多地建立这个稳健的模型(或可推广的模型)。“我认为这项研究表明，在这里这样做是有可能的。你有可能在没有真正整合所有数据的情况下实现一个高质量的模型，这就是为什么它真的很令人兴奋。”
该模型使用了来自BraTS(多模式脑瘤分割)挑战的285名脑瘤患者的数据集。这项工作将在今天在中国深圳开幕的医学图像计算和计算机辅助干预协会(MICCAI)会议上进行介绍。
Halabi告诉VentureBeat:“大多数已经完成的实验都是基于合成数据，或者只是随机数据集。”“但这是在用真实的医院数据进行实验，使用BraTS挑战——据我所知，没有任何工作涉及隐私方面。”
机器学习在医疗领域的潜在影响在今天得到了证明，一些计算机视觉系统已经证明有能力超越人类放射学专家，但由于医疗领域严格的隐私要求，包含数十万病例的不同数据集并不总是可用。
英伟达高级研究员Nicola Rieke解释说，这就是为什么该领域的许多研究人员使用合成数据集或为应对挑战而编译的数据集。
她说:“所以我们说，这项研究确实是朝着部署安全联邦学习迈出的重要一步，我们希望它能在非常大的范围内实现数据驱动的精确度。”
这项研究探索了差分隐私的限制，差分隐私是一种向数据集添加噪声以使联邦学习模型更安全的技术。研究表明，如果没有差别隐私的应用，神经网络仍然可以从暴露的底层数据中得到一些启示。
苹果和谷歌将相同的技术应用于Android和iOS设备上的键盘定制模型的联邦学习。Rieke说，用于医学图像分析的联邦学习有它自己的一套挑战，比如三维医学图像的大小和对更多计算能力的需求。
Rieke说:“我们通过向每个参与节点注入噪声来实现这一点，通过这种方式，它可以存储更新信息，并限制我们在机构之间共享的信息的粒度。”
英伟达(Nvidia)和国王学院(King’s College)正在进行的研究特别关注的是，当部分食物被刻意隐藏时，复制模型的能力。
“如果你只看到50%或60%的模型更新，我们还能以全球模型收敛的方式合并贡献吗?”我们发现‘是的，我们可以。“这的确令人印象深刻。所以，如果你只分享模型的10%，你甚至可以以某种方式聚合模型，”她说。“所以有可能只共享40%的模型，我们仍然可以达到相同的精度或相同的性能，就像模型是在汇集的数据上训练一样。”
在其他医学影像新闻中，美国放射学会(ACR)数据科学研究所表示，今年春天他们将把Nvidia的Clara AI工具包整合到他们的平台中。
版权声明：本文由用户上传，如有侵权请联系删除！标签：
