前言

為促進醫學研究、保護數據隱私以及改善患者腦腫瘤識別結果，NVIDIA 攜手倫敦國王學院（King’s College London）於2019年10月13日宣佈推出首款用於醫學圖像分析的保護隱私的聯邦學習系統( Federated Learning System)，標誌著在醫療健康 AI 領域實現了突破性進展。

NVIDIA人工智能計算公司

接下來就跟著小編一起來全方位瞭解這款用於醫學圖像分析的聯邦學習系統吧。

聯邦學習系統作用

成為醫學專家的關鍵是臨床經驗的積累，需要在診病過程中準確解釋疾症成因，在緊急情況下知道該採取何種措施以及具體的治療方法進行應對。

對於AI算法而言，經驗的獲得主要來自於大型、多樣且高質量的數據集。但現實中醫療保健領域很難獲得這樣的數據集，數據源可能會由於儀器的不精準或有限的臨床經驗而有所偏差。

聯邦學習系統可以使AI算法從位於不同站點的大量醫療數據中獲得經驗，使多個醫療機構可以在不直接共享臨床數據的前提下進行聯合建模，獲得的聯合模型精準度要比對通過單個醫療機構內部數據訓練出的模型精準度更高。

聯邦學習系統工作原理

聯邦學習系統主要應用聯邦學習技術，各醫療機構利用分散在多個位置的醫療數據對中心深度神經網絡（DNN）進行訓練。

聯邦學習系統流程圖

各節點負責訓練其自身的本地模型，並定期提交給參數服務器。該服務器不斷累積並聚合各自的貢獻，進而創建一個全局模型分享給所有節點。該方法無需共享任何臨床數據，支持各醫療機構針對共享模型開展協作。

聯邦學習系統技術細節

聯邦學習雖然可以保證極高的隱私安全性，但通過模型反演仍可以設法使數據重現。為了幫助提高聯邦學習的安全性，研究人員試驗了使用ε-差分隱私框架的可行性。該框架是一種正式定義隱私損失的方法，該方法可以藉助其強大的隱私保障性來保護患者與機構數據。

此外，研究團隊還將NVIDIA V100 Tensor Core GPU用於訓練與推理。 相比於數據集中式系統，聯邦學習所提供的方法可以在不共享機構數據的情況下實現相當大的分割性能。試驗結果顯示，隱私保護與受訓模型質量之間產生了自然折中。而且，通過使用稀疏向量技術，聯盟學習系統可以實現嚴格隱私保護，且對模型性能僅產生合理的輕微影響。

結語

深度學習是一種從醫學數據中自動提取知識的強大技術，聯邦學習有望有效聚合各醫療機構，並從私有數據中學習經驗進一步提高深度模型的準確性、穩健性和通用化能力。

聯邦學習系統的研究為部署安全聯邦學習做出了巨大的推動，並將推動數據驅動型精準醫學的進步。

PS：聯邦學習系統相關的技術論文在 MICCAI （Medical Image Computing and Computer-Assisted Intervention）大會召開期間發佈。該會議於 10 月 14 日在中國深圳拉開帷幕，是全球最高端的醫學影像會議之一。

小編之後會繼續跟進MICCAI 大會與聯邦學習相關的技術內容，大家敬請期待！

相關資料鏈接：

1.https://blogs.nvidia.com/blog/2019/10/13/what-is-federated-learning/

2.https://news.developer.nvidia.com/first-privacy-preserving-federated-learning-system/

--END--

投稿或尋求報道：[email protected]

請長按掃描上方二維碼加關注，

我們為您送上源源不斷的前沿知識！

閱讀更多 聯邦學習 的文章

關鍵字: 美好，一直在身邊 隱私 英偉達