Pembelajaran federasi adalah teknik untuk mengembangkan model AI yang lebih akurat dan dapat digeneralisasikan yang dilatih pada data di berbagai sumber data tanpa mengurangi keamanan atau privasi data. Ini memungkinkan beberapa organisasi untuk berkolaborasi dalam pengembangan model AI tanpa data sensitif yang keluar dari server mereka.
"Karena kendala privasi dan manajemen data, semakin rumit untuk berbagi data dari situs ke situs dan menggabungkannya di satu tempat — dan AI pencitraan berkembang lebih cepat daripada lembaga penelitian dapat mengatur kontrak berbagi data," kata John Garrett, profesor radiologi di University of Wisconsin-Madison.
"Mengadopsi pembelajaran federasi untuk membangun dan menguji model di beberapa lokasi sekaligus adalah satu-satunya cara, secara praktis, untuk mengikutinya. Ini adalah alat yang sangat diperlukan."
Garrett adalah bagian dari Subkomite Alat dan Penelitian Pembelajaran Mesin Society for Imaging Informatics and Medicine (SIIM), sekelompok dokter, peneliti, dan insinyur yang bertujuan untuk memajukan pengembangan dan penerapan AI untuk pencitraan medis. NVIDIA adalah anggota SIIM, dan telah berkolaborasi dengan komite dalam proyek pembelajaran federasi sejak 2019.
"Teknik pembelajaran federasi memungkinkan privasi dan keamanan data yang ditingkatkan sesuai dengan peraturan privasi seperti GDPR, HIPAA, dan lainnya," kata ketua komite Khaled Younis. "Selain itu, kami melihat peningkatan akurasi dan generalisasi model."
Untuk mendukung proyek terbaru mereka, tim — termasuk kolaborator dari Case Western, Universitas Georgetown, Mayo Clinic, Universitas California, San Diego, Universitas Florida dan Universitas Vanderbilt — memanfaatkan Nvidia FLARE (NVFlare), kerangka kerja sumber terbuka yang mencakup fitur keamanan yang kuat, teknik perlindungan privasi tingkat lanjut, dan arsitektur sistem yang fleksibel.
Melalui Program Hibah Akademik Nvidia, komite menerima empat GPU NVIDIA RTX A5000, yang didistribusikan ke seluruh lembaga penelitian yang berpartisipasi untuk menyiapkan workstation mereka untuk pembelajaran federasi. Kolaborator tambahan menggunakan GPU NVIDIA di cloud dan di server lokal, menyoroti fleksibilitas NVFLare.
Memecahkan Kode untuk Pembelajaran Federasi
Masing-masing dari enam pusat medis yang berpartisipasi menyediakan data dari sekitar 50 studi pencitraan medis untuk proyek tersebut, yang berfokus pada karsinoma sel ginjal, sejenis kanker ginjal.
"Gagasan dengan pembelajaran federasi adalah bahwa selama pelatihan kami bertukar model daripada bertukar data," kata Yuankai Huo, asisten profesor ilmu komputer dan direktur Laboratorium Representasi dan Pembelajaran Data Biomedis di Universitas Vanderbilt.
Dalam kerangka kerja pembelajaran federasi, model global awal menyiarkan parameter model ke server klien. Setiap server menggunakan parameter tersebut untuk menyiapkan versi lokal model yang dilatih pada data kepemilikan organisasi.
Kemudian, parameter yang diperbarui dari setiap model lokal dikirim kembali ke model global, di mana parameter tersebut dikumpulkan untuk menghasilkan model global baru. Siklus berulang hingga prediksi model tidak lagi meningkat dengan setiap putaran pelatihan.
Kelompok ini bereksperimen dengan arsitektur model dan hiperparameter untuk mengoptimalkan kecepatan pelatihan, akurasi, dan jumlah studi pencitraan yang diperlukan untuk melatih model ke tingkat presisi yang diinginkan.
Anotasi Berbantuan AI dengan Nvidia MONAI
Pada tahap pertama proyek, data pelatihan yang digunakan untuk model diberi label secara manual. Untuk fase berikutnya, tim menggunakan Nvidia MONAI untuk anotasi berbantuan AI untuk mengevaluasi bagaimana kinerja model berbeda dengan data pelatihan yang tersegmentasi dengan bantuan AI dibandingkan dengan metode anotasi tradisional.
"Perjuangan terbesar dengan kegiatan pembelajaran federasi biasanya adalah bahwa data di lokasi yang berbeda tidak terlalu seragam. Orang-orang menggunakan peralatan pencitraan yang berbeda, memiliki protokol yang berbeda dan hanya memberi label data mereka secara berbeda," kata Garrett.
"Dengan melatih model pembelajaran federasi untuk kedua kalinya dengan penambahan MONAI, kami bertujuan untuk menemukan apakah itu meningkatkan akurasi anotasi secara keseluruhan."
Tim menggunakan MONAI Label, alat pelabelan gambar yang memungkinkan pengguna mengembangkan aplikasi anotasi AI khusus, mengurangi waktu dan upaya yang diperlukan untuk membuat kumpulan data baru. Para ahli akan memvalidasi dan menyempurnakan segmentasi yang dihasilkan AI sebelum digunakan untuk pelatihan model.
Data untuk fase anotasi manual dan berbantuan AI dihosting di Flywheel, data pencitraan medis terkemuka dan platform AI yang telah mengintegrasikan Nvidia MONAI ke dalam penawarannya. Setelah proyek selesai, tim berencana untuk menerbitkan metodologi mereka, kumpulan data beranotasi, dan model yang telah dilatih sebelumnya untuk mendukung pekerjaan di masa depan.
"Kami tertarik untuk tidak hanya mengeksplorasi alat-alat ini," kata Garrett, "tetapi juga menerbitkan pekerjaan kami sehingga orang lain dapat mempelajari dan menggunakan alat-alat ini di seluruh bidang medis."
Cek Berita dan Artikel yang lain di
Google News
