所有文章 > 正文

里程碑性进展!Nvidia使用联邦学习法创建医学成像AI

作者: Jansfer

时间: 2019-10-16 17:27

近日,来自英伟达(Nvidia)和伦敦国王学院(King's College London)的AI研究人员正在使用联邦学习法(Federated Learning,是一种训练数据去中心化的机器学习解决方案,最早于2016年由谷歌公司提出)来训练用于脑肿瘤分割的神经网络分析系统,英伟达称这是医学影像分析领域的具有里程碑意义的尝试。该技术可以在医院和研究人员之间共享数据,同时保护患者的隐私。

近日,来自英伟达(Nvidia)和伦敦国王学院(King's College London)的AI研究人员正在使用联邦学习法(Federated Learning,是一种训练数据去中心化的机器学习解决方案,最早于2016年由谷歌公司提出)来训练用于脑肿瘤分割的神经网络分析系统,英伟达称这是医学影像分析领域的具有里程碑意义的尝试。该技术可以在医院和研究人员之间共享数据,同时保护患者的隐私。

联邦学习是一种在客户端-服务器连接法基础上的一种很常用的机器学习方法,它不必为了满足训练模型的需要而去创建单个数据库。相反,模型是在设备上进行本地训练的,然后将计算结果从多台计算机转移到中央模型。英伟达卫生保健总监Abdul Halabi在媒体电话采访中表示:“人们想要达成的这些创新实际上有两种方案:首先就是像我们在去年8月份所发布的内容一样,建立一个现阶段的最佳通用模型,并将这种模型发送给每家医院,让他们可以为自己的患者进行本地优化。另一种方法是,我们从一开始就共同努力,尽可能在现有技术及应用条件下建立一个强大的模型或泛化模型,我们目前所做的关于脑肿瘤分割神经网络训练的研究说明这种模型是可以实现的,即使人们不将所有数据集中在一起,也可以获得高质量的模型,这正是这个新模型如此令人兴奋的原因。”

该模型使用了来自285名脑肿瘤患者的BraTS(多模式脑肿瘤分割)病例的数据集。这项工作将于今天在中国深圳举行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在采访中还表示:“已经完成的大多数实验都是针对合成数据或只是对数据集进行随机化操作,但是这个方法的最终目标是真实的医院数据,届时将面临许许多多的小问题,据我所知,目前在解决隐私问题上还没有比较大的进展。”如今,由于某些计算机视觉系统已表现出优于人类放射学专家的能力,这的确证明了机器学习在医疗保健方面的潜在影响,但由于隐私保密,获得符合卫生保健要求的数十万个病例的多样化数据集却并非一件容易的事。这也就是为什么该领域的许多研究人员都使用综合数据集。Nvidia高级研究人员Nicola Reike表示,这项研究确实是迈向安全联邦学习部署的重要一步,我们希望它能在非常大的范围内实现数据驱动的精度。这项工作显示出了差异隐私的局限性,差异隐私是一种向数据集添加噪声以使联邦学习模型成为更安全的技术。研究表明,在没有开启隐私权限的情况下,神经网络仍然可以从公开的基础数据中计算出一些结果。苹果和谷歌在联邦学习中将相同的技术分别应用于Android和iOS设备上的键盘自定义模型。Reike表示,用于医学图像分析的联邦学习具有其自身的一系列问题,例如3D医学图像的大小以及对更多计算能力的需求,为了解决这一问题,我们向每个参与节点注入噪音,并以此方式限制我们在机构之间实际共享的信息密度。

此外,在Nvidia和King College的工作中还专门研究了在故意隐藏部分内容时,模型进行修复的能力。研究人员发现,当只看到模型更新的50%或60%时,该模型仍可以通过全局模型收敛的方式来合并各自的贡献,这实际上是一个让人感到惊艳的结果。因此,即使仅共享模型的10%,甚至都有可能实现模型汇总。只共享40%的模型情况下就可以达到相同的准确性及性能,其运算出的结果与该模型根据合并数据进行训练的结果并无二致。美国放射学院(ACR)数据科学研究所表示,今年春季将把英伟达的Clara AI工具包纳入其平台。

参考:https://venturebeat.com/2019/10/13/nvidia-uses-federated-learning-to-create-medical-imaging-ai/

[关于转载]:本文为“AMiner”官网文章。转载本文请联系原作者获取授权,转载仅限全文转载并保留文章标题及内容,不得删改、添加内容绕开原创保护,且文章开头必须注明:转自“AMiner”官网。谢谢您的合作。

二维码 扫码微信阅读
推荐阅读 更多