Nvidia使用联合学习创建医学成像AI

 
Nvidia和伦敦国王学院的AI研究人员已经使用联合学习来训练用于脑肿瘤分割的神经网络，Nvidia的一个里程碑式的宣称是医学图像分析的首次应用。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。
联合学习是一种机器学习方法，使用客户端-服务器方法时，可以消除创建单个数据湖以训练模型的需要。取而代之的是，在设备上对模型进行本地培训，然后将见解从多台计算机转移到中央模型。
“您需要进行这些创新，我相信有两种方法。 Nvidia医疗保健总监Abdul Halabi在接受采访时表示：“我们在去年8月发布的一个模型可以创建您今天拥有的最佳通用模型，然后将其发送给这些医院中的每家医院，他们可以为自己的患者进行本地化。”电话面试。 “另一种说法是：‘让我们从一开始就共同努力，尽可能地建立这种健壮的模型(或可推广的模型)。’我认为这项研究表明有可能在这里实际进行。您有可能在没有真正将数据整合在一起的情况下获得高质量的模型，这就是为什么它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)挑战的数据集。这项工作将在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。
“对合成数据进行的大多数实验，或只是对数据集进行随机化，” Halabi告诉VentureBeat。 “但是应用此方法是利用BraTS挑战对真实的医院数据进行实验-据我所知，目前还没有涉及隐私方向的工作。”
如今，由于某些计算机视觉系统已表现出胜过人类放射学专家的能力，事实证明了机器学习在医疗保健方面的潜在影响，但是由于严格的隐私保护，并非总是可以获得具有成千上万病例的多样化数据集医疗保健要求。
Nvidia资深研究人员Nicola Rieke解释说，这就是为什么该领域的许多研究人员使用综合数据集或为应对挑战而汇编的数据集的原因。
她说：“因此，我们说这项研究确实是部署安全联合学习的重要一步，我们希望它能够在[a]规模上实现数据驱动的精确度。”
这项工作探索了差异隐私的局限性，差异隐私是一种向数据集添加噪音以使联合学习模型更安全的技术。研究表明，在没有应用差异隐私的情况下，神经网络仍然可以从公开的基础数据中获得一些见解。
苹果和谷歌在联合学习中将相同的技术应用于Android和iOS设备上的键盘自定义模型。 Rieke说，医学图像分析的联合学习面临着一系列挑战，例如3D医学图像的大小以及对更多计算能力的需求。
“我们通过向每个参与节点注入噪声来做到这一点，并以此方式存储更新并限制了我们在各机构之间实际共享的信息的粒度，” Rieke说。
Nvidia和King’s College正在开展的工作专门针对有意隐藏部分时复制模型的能力。
“如果您仅看到模型更新的50%或60%，我们是否还能以全球模型收敛的方式合并贡献?我们发现“是的，我们可以。”实际上非常令人印象深刻。因此，如果您仅共享模型的10%，甚至可以以某种方式汇总模型。”她说。 “因此，可能只共享40%的模型，而且我们仍然可以达到要在合并的数据上对模型进行训练的准确性或性能。”
在其他医学影像新闻中，美国放射学院(ACR)数据科学研究所表示，今年春季将把Nvidia的Clara AI工具包纳入其平台。