英伟达在MICCAI 2019上发布首个面向医学影像的隐私保护型联邦学习系统

国际新闻 浏览(596)

?

为促进医学研究,保护数据隐私并改善患者脑肿瘤的识别能力,NVIDIA和伦敦金斯学院于2019年10月14日发布了他们的首个医学图像分析。受隐私保护的联合学习系统标志着该领域的突破。医疗卫生AI。

此技术论文是在MICCAI 2019大会期间发布的。 会议于10月13日在中国深圳开幕,是世界上最先进的医学影像会议之一。 Nvidia和伦敦国王学院的研究人员介绍了该技术的实施细节。

联合学习是一种学习范例,允许开发人员和组织使用分散在多个位置的培训数据来培训支持组织的中央深度神经网络(DNN)。在不共享任何临床数据的情况下协作共享模型。

研究人员在论文中指出:“联邦学习无需共享患者数据即可实现协作式和分散式神经网络训练。每个节点负责训练自己的局部模型并定期将其提交给参数。服务器。服务器不断积累和聚合其贡献,创建了一个与所有节点共享的全局模型。”

研究人员解释说,尽管联邦学习可以保证极高的隐私安全性,但模型逆转仍然可以用于再现数据。为了帮助提高联盟学习的安全性,研究人员尝试了使用ε-差异隐私框架的可行性。该框架是定义隐私丢失的一种正式方法,可以通过强大的隐私保证来保护患者和机构数据。

以上突破性试验基于BraTS 2018数据集中的脑肿瘤分割数据。 BraTS 2018数据集包含285位脑肿瘤患者的MRI扫描图。

此数据集旨在评估用于多峰和多级细分任务的联合学习算法。在客户端,研究团队重写了最先进的培训管道,该管道最初用于数据密集型培训,并将其用作NVIDIA Clara Train SDK的一部分。

此外,研究团队还使用NVIDIA V100 Tensor Core GPU进行培训和推理。

与以数据为中心的系统相比,联合学习提供了一种无需共享组织数据即可实现显着细分效果的方法。此外,测试结果表明,隐私保护与训练模型的质量之间存在自然的折衷。此外,通过使用稀疏矢量技术,联合学习系统可以实现严格的隐私保护,而对模型性能的影响仅在合理范围内。

深度学习是一种从医学数据中自动提取知识的强大技术。联邦学习有望有效地汇总机构从私人数据中获得的知识,从而进一步提高深度模型的准确性,鲁棒性和泛化能力。

这项研究极大地促进了安全联邦学习的部署,并将推动数据驱动的精密医学的发展。

(编辑:DF378)