2020-03-17 17:25:00 聯邦學習

前言

MICCAI 2019大會於10月13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。會議上發佈了首個用於醫學影像分析且具有隱私保護能力的聯邦學習系統。小編帶大家一起回顧英偉達與倫敦國王學院的研究人員對該技術實施細節的介紹。

醫療影像面臨的數據挑戰

人工智能在醫療行業的發展最初是數據採集，主要通過各種工具或設備來採集人體健康數據。醫學影像是其中之一，也是迄今為止人工智能在醫療行業最成熟的應用之一。

在醫療AI領域，獲取高質量的醫學影像數據難度較大：

1. 醫學影像數據預處理和標註所需的投入成本高且工作繁瑣。

2. 醫學影像數據的產生技術變得越來越複雜，客觀上加大了數據的獲取和使用難度。

3. 醫學影像數據擁有絕對的私密性，數據擁有方採取高度保密措施，加大了AI研發機構獲取數據的難度。

但是隻有獲取更多的數據進行訓練，AI模型才能獲得更為精準的結果。

解決方案-聯邦學習

MICCAI 2019大會期間NVIDIA攜手倫敦國王學院推出了用於醫學影像分析、且具有隱私保護能力的聯邦學習系統( federated learning system)。

據瞭解該實驗基於取自BraTS 2018數據集的腦腫瘤分割數據而實施，包含了285位腦腫瘤患者的MRI掃描結果，採用了NVIDIA V100 Tensor Core GPU用於訓練與推理。

圖源：http://www.elecfans.com/d/1095584.html

NVIDIA醫療副總裁Kimberly Powell與NVIDIA資深研究科學家Nicola Rieke介紹了聯邦學習系統的技術細節、實施前景及研究背景。

聯邦學習系統夠讓開發者與各企業機構利用分散在多個位置的訓練數據，對中心深度神經網絡（DNN）進行訓練。在無需共享患者數據的情況下，即可實現協作與分散化的神經網絡訓練。其中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。服務器則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。

目前通過模型反演設法使數據重現的手段已在研究考量中，因為如果知道底層的運行邏輯，不排除會有一些反推手段。為了提高聯邦學習的安全性，專門研究試驗了使用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。據Nicola Rieke介紹，相當於完成模型訓練之後，

加入“噪點”使數據變得模糊，改變了原有數據的顆粒度，使得反推更加困難。

談及聯邦學習系統的安全機制，英偉達醫療副總裁Kimberly Powell表示：實際的數據安全本質上是“模型找數據，而不是數據找模型”。所謂 “模型找數據”實則保證了本地數據完成訓練，也是系統的最大突破點。訓練完成的數據進行回傳時，確保最少涉及隱私的數據被回傳。在“聯邦學習”的模式下，對數據傳輸的要求是非常小的，因為只有在傳輸模型中非常少的一部分數據時需要使用網絡，所以在這樣的情況下，模型的通信成本會大幅度降低。

關於聯邦學習系統的前景，相關人員表示聯邦學習有望高效聚合各機構，從私有數據中本地習得知識，進一步提高深度模型的準確性、穩健性與通用化能力，並將廣泛推動數據驅動型精準醫學的進步。