Inteligência Artificial

Nvidia e King’s College London desenvolveram uma IA que analisa imagens médicas e permite que instituições de saúde colaborem sem compartilhar dados do paciente

Nesta semana, pesquisadores da Nvidia e do King’s College London estão lançando um novo método para treinar redes neurais que poderiam contornar esse grande obstáculo.

Na conferência de imagens médicas da MICCAI em Shenzhen, China, nesta semana, eles apresentarão suas pesquisas sobre a construção de um sistema de aprendizado federado que preserva a privacidade para análise de imagens médicas.

“Esperamos que seja um grande passo para habilitar a medicina de precisão em larga escala”, disse Nicola Rieke, cientista sênior de pesquisa da Nvidia.

O aprendizado federado é um paradigma de aprendizado baseado em dados descentralizados. Em vez de confiar nos dados agrupados em um único local, um modelo algorítmico é treinado em várias iterações em locais diferentes.

No setor de saúde, isso oferece um grau de privacidade para hospitais e outras organizações que desejam reunir seus recursos para treinar um modelo de aprendizado profundo sem realmente compartilhar seus dados ou deixá-los fora de seu poder.

Os pesquisadores da Nvidia e do King’s College adotaram uma abordagem federada cliente-servidor com um servidor centralizado para manter uma rede neural profunda global. Sob essa abordagem, os hospitais participantes receberiam uma cópia de sua rede neural para treinar em seu próprio conjunto de dados.

Depois que o modelo fosse treinado localmente por algumas iterações, os participantes enviariam sua versão atualizada de volta ao servidor centralizado. O servidor agregaria as contribuições de todos os participantes para criar um “modelo de consenso”. O novo modelo de consenso seria compartilhado novamente com os participantes e o treinamento continuaria.

No entanto, como Rieke explicou, pesquisas recentes mostraram que, através da inversão do modelo, ainda seria possível inferir informações sobre os conjuntos de dados usados ​​para treinar o modelo. Os pesquisadores se propuseram a criar um sistema de aprendizado federado que resolvesse essa vulnerabilidade de privacidade.

A primeira etapa que eles deram foi comunicar apenas parte de uma atualização de modelo dos participantes de volta ao servidor centralizado. Os pesquisadores descobriram que poderiam ocultar até 90% do modelo e ainda agregar um modelo de consenso com níveis de desempenho comparáveis ​​aos alcançados com um sistema de aprendizado centralizado.

A equipe de pesquisa foi um passo adiante para obscurecer os dados injetando ruído aleatório. Com o conjunto de dados específico em que estavam trabalhando, eles descobriram que podiam obscurecer 40% do modelo e injetar ruído, enquanto ainda atingiam o mesmo nível de desempenho.

Para conduzir esta pesquisa, a equipe usou dados de segmentação de tumores cerebrais do conjunto de dados BraTS 2018, que contém exames de ressonância magnética de 285 pacientes com tumores cerebrais. O conjunto de dados BraTS inclui dados de 13 instituições.

Um dos benefícios do sistema de aprendizado federado empregado para este estudo é que as instituições podem entrar ou sair do processo de treinamento do modelo sem afetar seu progresso.

“Você teria menos dados disponíveis” se uma organização desistisse, explicou Rieke, “mas outras pessoas podem continuar trabalhando juntas nesse único modelo global”.

Incentivar os esforços de treinamento colaborativo pode ter um impacto claro no avanço da IA ​​da área de saúde. Para entender a necessidade de um grande conjunto de dados, ajuda a considerar o número de imagens médicas que um médico precisaria revisar para ser considerado um especialista em seu campo.

Um profissional médico com 15 anos de experiência provavelmente leu cerca de 15.000 casos em um ano, totalizando 225.000. A maioria dos conjuntos de dados de saúde abertos não oferece nem de longe tantas imagens.

“O grande desafio para a IA de assistência médica é construir esse modelo robusto e generalizável”, disse Abdul Hamid Halabi, diretor de assistência médica da Nvidia.

Livros sobre I.A

livro inteligencia artificial george f luger

Inteligência Artificial – Abordagem ...

inteligencia artificial livro

Inteligência Artificial: Uma Abordagem de ...

inteligencia-artificial-projeto-de-aplicacao

Inteligência Artificial: Projeto de aplica...

inteligencia-nao-estruturada-inteligencia-artificial

Inteligência não estruturada: a Inteligênc...

inteligencia artificial

Inteligência Artificial. Diálogos Entre Me...

robos-hft-inteligencia-artificial

Robôs HFT: Estudos de operação em alta fre...

data-science-para-negocios-inteligencia-artificial

Data Science para negócios

entendendo-a-inteligencia-artificial

Entendendo Inteligencia Artificial

Cursos de I.A

instarise

Instarise – Inteligência artificial ...

comandar-casa-por-voz-internet-das-coisas

Manual para Comandar sua Casa por Voz a Ba...

Tudo Sobre IoT curso online

Tudo Sobre IoT – Internet das Coisas

congresso-online-inteligencia-digital-futurismo

Congresso Online de Inteligência Digital &...

curso robôs im inteligência artificial facebook

ROBOS.im – Plataforma para criação d...

336x280_profissionais-do-futuro_seq2

Profissional do Futuro – Inteligênci...

internet-das-coisas-curso

Internet das Coisas – Uma visão ampl...

curso online robotica automacao residencial

Curso de Robótica e Automação Residencial