Nvidia使用联邦学习创建的医疗成像AI
2019年10月14日 由 TGS 发表
544646
0
联邦学习是一种机器学习方法,当使用客户机-服务器时,可以消除为了训练模型而创建单个数据湖的需要,能让模型在本地设备上训练,然后将来自多台机器的见解传递到一个中心模型。英伟达和伦敦国王学院的人工智能研究人员利用联邦学习训练神经网络,开发出了对脑瘤进行分割的技术,这项技术可以在医院和研究人员之间共享数据的同时保护病人隐私。
英伟达声称,这是医学图像分析的首个里程碑。
英伟达卫生保健主任Abdul Halabi在电话采访中告诉记者:“这项创新有两种应用方式,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,另一个则是我们最早创建的模型,它最大的特点是稳健、普适性良好、具备推广的可能。”
Halabi最后表示:“大多数已经完成的实验,都是基于合成数据或随机数据集,但这是在用真实的医院数据进行实验。使用brats挑战最后以及最大的问题,就是隐私问题。”
机器学习在医疗保健领域的潜在影响在今天已经很明显了,一些计算机视觉系统已经证明了其超越人类放射专家的能力,但是由于医疗保健领域的大量隐私要求,数十万个病例数据集并不总是可用。这就是为什么该领域的许多研究人员都选择使用合成数据集,或是为应对实验挑战而特别编制数据集的根本原因。
英伟达和伦敦国王学院的研究,是朝着部署安全联邦学习迈出的重要一步,探索了差异隐私的限制,使联合学习模型更安全。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,Nvidia的高级研究员Nicola Reike说:“我们通过改良每个参与节点的方式,让模型可以在存储更新数据的同时,限制研究人员实际上在机构之间共享的信息的粒度。”
这项研究最大的贡献是,可以让很少的模型份额聚合,从而发挥出与占有更多份额的模型相同的精度和性能。在最近的医学影像新闻中,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,这无疑是一种相当高度的认可。