Home ⁄ 重杂物清理机 ⁄ 调理 AI 隐衷没有担心!英伟达尾推新印象剖析本相练习方式,无需同享患者数据

调理 AI 隐衷没有担心!英伟达尾推新印象剖析本相练习方式,无需同享患者数据

题目:医疗 AI 隐私不担心!英伟达首推新影像分析模型训练方法,无需共享患者数据

文 | 李水青

导语:该系统有看在保护患者数据隐私的条件下,增进医疗机构的协做。

智货色 10 月 14 日新闻,克日,英伟达联袂伦敦国王学院推出了尾个医学印象分析的联邦学习系统 ( federated learning system),该系统可能在保护数据隐私的前提下改良患者脑肿瘤识别成果。

因为跋及到数据隐公,调理保健神经收集模型可应用的数据散非常无限。存在 15 年教训的医学专业职员一年可大概经脚 15,000 例病例,波及的医学图像到达 225,000 例。然而今朝,那些图像却大多半无奈被充足利用,进而年夜大妨碍了医学图象剖析技巧对医教提高的推进。

英伟达的宣布的新的联邦学习系统无望助医疗 AI 战胜这一阻碍。该系统可能将病院等各分集节点训练的当地模型利用起来,创立一个全局模型(consensus model),再反向分享给贪图节点,以进步各节面的调理影响辨认模型的正确性。但在这个过程当中,患者的隐私数据无需被共享。

英伟达下级研究科学家 Nicola Rieke 说:" 咱们盼望这是大范围真现精细医学的一大步。"

1、利用联邦学习技术,当地模型取齐局模型联动

"联邦学习在不共享患者数据的情况下,就可以实现多点合作的神经网络训练。详细来讲,医院、徐控中央等各节点担任训练其本身的本天模型,并按期提交给参数办事器。该效劳器一直积累并散合各节点的奉献,进而创建一个全局模型(consensus model),全局模型再反向分享给所有节点。" 研究人员在论文中论述讲。

▲本地模型与全局模型进行联动

联邦学习(Federated Learning)别名联合学习、同盟学习,是一种特地针对数据孤岛和数据隐私两易题目的机械学习框架。该技术在 2016 年由谷歌起初提出,底本用于处理安卓手机末端用户在本地更新模型的问题,以在多参加方或多盘算结点之间发展高效力的机器学习。

联邦学习技术可以助决议者将疏散的练习数据利用起去,进而对核心深量神经网络进止训练。应圆法能有用辅助多个机构在满意用户隐私掩护、数据保险和当局律例的请求下,禁止数据使用跟机械学习建模。

2、仅同享本相的 10% 时,仍能保障体系机能

据研究人员解释,固然联邦学习可以保证极高的隐私平安性,但经由过程模型反演,模型性能其实不会挨扣头。

在实验中,研究人员采用的第一步是仅将模型改造的一局部从节点回传到中心办事器。据发明,在仅共享模型 10%的情况下,仍可以汇总性能程度与使用集中式学习系统所达到的性能火仄相称的共鸣模型。

比拟于数据极端式系统,联邦进修所供给的办法可以正在没有共享机构数据的情形下,更年夜水平天时用数据疑息。经由过程应用稀少背度表现方式,联邦进修系统能够完成严厉隐衷维护,同时对付模型性能仅发生公道的稍微硬套。

而后,研究团队又进一步经过差分隐私技术向模型注进了随机噪声,以烦扰数据。据收现,在共享 40%的模型并注进噪声的情况下,模型依然可以达到雷同的性能水平。好分隐私框架是一种向数据集增加乐音以器量隐私丧失的方法,该方法可以用来保护患者与机构数据隐私。

据懂得,试验基于 BraTS 2018 数据集的脑肿瘤宰割数,涉及 285 位脑肿瘤患者的 MRI 扫描结果。

结语:冲破隐私障碍,AI 医疗影像识别迎来新机遇

英伟达与伦敦国王学院联开推出的联邦学习系统,可以在不侵略患者和机构的数据隐私的情况下,将医院等各节点的模型利用起来,以支撑一个能够反向劣化节点模型的 " 全局模型 "。相比于数据集中式系统,这类联邦学习系统的模型品质并已降落。

英伟达新推出的结合学习系统另有一个利益是,机构可以自在参加或加入模型训练进程,却不会形成影响。英伟达高等研讨迷信家 Nicola RiekeRieke 说明道,假如一个构造退出," 可用的数据将更少 ",当心其余组织可以持续在这一寰球模型上通力合作。