Segmentación colaborativa de mamografías en tres clínicas

Innowise implementó un marco de aprendizaje federado que permitió a tres clínicas entrenar de forma colaborativa un modelo de detección del cáncer de mama sin compartir datos confidenciales de los pacientes.

Hasta 68,61 TP180T

mejora en la segmentación AP

AI-powered mammography segmentation across three clinics using a privacy-preserving federated learning framework

Industria Salud

Empleados 3,500+

Región Europa

Servicios desarrollo de la IA
Visión por Computador

Resumen del proyecto

Resumir artículo con IA

Innowise puso en marcha un proyecto de aprendizaje federado y contó con la participación de tres hospitales para desarrollar de forma colaborativa un modelo de detección y segmentación del cáncer de mama. Dado que cada hospital gestionaba datos confidenciales de mamografías en su propio entorno seguro, el proyecto requería un enfoque que preservara la privacidad y permitiera el entrenamiento conjunto de la IA sin intercambiar historiales de pacientes.

Desafío

Protección de datos en el ámbito sanitario. Las clínicas participantes deseaban colaborar en el desarrollo de la inteligencia artificial sin exponer los datos sensibles de las imágenes de los pacientes fuera de su infraestructura local.
Restricciones normativas y de gobernanza. La solución debía cumplir con estrictos requisitos normativos y de privacidad en el ámbito sanitario que limitaban el almacenamiento centralizado de imágenes médicas.
Colaboración clínica escalable. El marco necesario para facilitar la colaboración futura entre otras instituciones sanitarias sin modificar el modelo de privacidad.

Entrenamiento distribuido que preserva la privacidad. El sistema requería un entrenamiento colaborativo de la IA entre varias clínicas sin transferir los datos brutos de las mamografías.
Sincronización segura de modelos. Solo se podían intercambiar entre los participantes los parámetros del modelo y las actualizaciones, mientras que los datos de los pacientes debían permanecer en el entorno local de cada clínica.
Conjuntos de datos heterogéneos. Las diferentes distribuciones de imágenes y la diversidad de casos entre las distintas clínicas plantearon dificultades para el entrenamiento y la optimización estables del modelo.

Solución que ofrecemos

Innowise ha implementado un marco de aprendizaje federado que preserva la privacidad para entrenar un modelo compartido de detección y segmentación del cáncer de mama sin transferir datos sensibles de los pacientes fuera de los sistemas clínicos locales.

ARQUITECTURA DE APRENDIZAJE FEDERADO ARCH1TP179

En lugar de centralizar las imágenes de mamografía en una base de datos compartida, cada clínica entrenó el modelo de forma local, dentro de su propia infraestructura segura.

Durante el entrenamiento, el sistema solo intercambió parámetros del modelo y actualizaciones del entrenamiento a través de un flujo de trabajo de agregación centralizado. Las actualizaciones agregadas se combinaron en un modelo global mejorado y, a continuación, se redistribuyeron a todas las clínicas participantes durante los ciclos de entrenamiento posteriores.

Este enfoque de aprendizaje federado permitió a las instituciones mejorar de forma colaborativa el rendimiento de los modelos, al tiempo que se preservaba la privacidad de los pacientes y se cumplían los requisitos normativos del sector sanitario.

MODELO DE SEGMENTACIÓN DE MAMOGRAFÍAS

En el proyecto se utilizó Mask R-CNN para:

Detección de lesiones mamarias
Localización de la lesión
Segmentación a nivel de píxel de imágenes mamográficas

El modelo permitió a las clínicas identificar zonas sospechosas y generar máscaras detalladas de segmentación de lesiones que facilitan los flujos de trabajo de diagnóstico posteriores y mejoran la coherencia en la interpretación.

Para garantizar un aprendizaje colaborativo estable en todas las instituciones participantes, el proyecto Innowise ha estandarizado:

Arquitectura modelo
Configuraciones de entrenamiento
Cadenas de preprocesamiento
Procedimientos de evaluación

Para mejorar la fiabilidad del modelo en diferentes conjuntos de datos clínicos, Innowise implementó procesos de aumento de datos y estrategias para gestionar el desequilibrio entre clases, con el fin de estabilizar el entrenamiento colaborativo del modelo y reducir el sesgo de los conjuntos de datos. Esto ayudó al modelo de IA a gestionar mejor las variaciones en las imágenes mamográficas, la distribución desigual de los casos de cáncer y las diferencias en la calidad de las imágenes entre las distintas clínicas.

Todos los modelos se evaluaron utilizando un protocolo de evaluación estandarizado y compartido, así como un conjunto de pruebas de referencia común, lo que garantizó una comparación imparcial de su rendimiento..

FLUJO DE TRABAJO DE FORMACIÓN DISTRIBUIDA

Anteriormente, cada clínica se enfrentaba a límites de rendimiento al realizar el entrenamiento de forma independiente, debido a la escasa diversidad de los datos locales y al sesgo de los conjuntos de datos.

El proceso de aprendizaje federado permitió a cada clínica entrenar el modelo de forma independiente con aproximadamente 3.500 imágenes de mamografías locales mientras participan en un ciclo de aprendizaje distribuido y compartido.

El proceso incluía:

Formación sobre el modelo local en cada clínica
Sincronización periódica de las actualizaciones del modelo
Agregación centralizada de los parámetros aprendidos
Redistribución del modelo global actualizado a los participantes

Este enfoque facilitó el entrenamiento colaborativo de la IA en aproximadamente 10 500 imágenes de mamografía sin generar un repositorio centralizado de imágenes médicas.

RETENCIÓN DE DATOS CON RESPETO A LA PRIVACIDAD

El proyecto utilizó un modelo de retención de datos exclusivamente local, lo que significa que todas las imágenes de mamografía permanecieron dentro del entorno seguro de cada clínica durante todo el proceso de entrenamiento.

El sistema nunca transfirió imágenes médicas sin procesar entre instituciones. Durante los ciclos de sincronización solo se intercambiaron los parámetros del modelo y las actualizaciones del entrenamiento.

Esta arquitectura permitió a las clínicas entrenar de forma colaborativa un modelo de IA compartido, al tiempo que mantenían un control local total sobre los datos confidenciales de los pacientes.

Uno de los objetivos principales de este proyecto era crear un marco práctico para la IA clínica colaborativa sin necesidad de compartir datos de forma centralizada. El enfoque de aprendizaje federado permitió a las clínicas participantes mejorar la calidad de los modelos a partir de diversos conjuntos de datos de mamografías, al tiempo que se mantenía un control local total sobre la información de las pacientes.

Hanna Karpenka Asesor científico

Tecnologías

IA y aprendizaje automático

Aprendizaje federado, Informática Vision, Detección y segmentación de imágenes médicas

Frameworks

PyTorch, TensorFlow

Modelos

Mask R-CNN

IA distribuida

Formación distribuida, agregación de modelos

Equipo

Ingenieros de aprendizaje automático

experto en el campo de la imagen biomédica

Resultado

Duración del proyecto

2 meses

Mediante la implementación de un flujo de trabajo de aprendizaje federado en tres clínicas, Innowise ayudó a las instituciones participantes a mejorar de forma colaborativa la detección y la segmentación del cáncer de mama sin centralizar los datos confidenciales de las mamografías.

El modelo federado superó sistemáticamente a los modelos entrenados de forma independiente en cada clínica. El aprendizaje colaborativo a partir de aproximadamente 10 500 imágenes de mamografía permitió al modelo acceder a una gama más amplia de tipos de lesiones, patrones de imagen y distribuciones de pacientes que la que podría ofrecer por sí sola cualquier institución.

Como resultado, el proyecto logró:

Una calidad de segmentación superior a la de cualquier modelo clínico independiente
Una mejora de hasta 68,61 TP180T en la segmentación AP en comparación con el valor de referencia de un solo sitio más débil
Mejora de la generalización del modelo en conjuntos de datos heterogéneos de mamografías
Una localización más estable de las lesiones en diferentes condiciones de obtención de imágenes

Estas mejoras contribuyeron directamente a los flujos de trabajo clínicos posteriores, en los que una segmentación precisa resulta fundamental para la localización de lesiones, el apoyo al diagnóstico y la coherencia en la interpretación.

El proyecto también demostró que el aprendizaje federado puede servir como base escalable para futuras iniciativas clínicas de IA en las que participen varias instituciones, sin dejar de cumplir los requisitos de privacidad y gobernanza en el ámbito sanitario.

Índice

Desarrolla soluciones clínicas seguras basadas en IA con Innowise

Casos relacionados

Contáctenos

Reserve usted una llamada o rellene usted el siguiente formulario y nos pondremos en contacto con usted cuando hayamos procesado su solicitud.

Nombre

Empresa

Correo electrónico

Teléfono

Mensaje

Envíenos un mensaje de voz

Adjuntar documentos

Cargar archivo

Puede adjuntar 1 archivo de hasta 2 MB. Formatos de archivo válidos: pdf, jpg, jpeg, png.

Al hacer clic en Enviar, autoriza a Innowise a procesar sus datos personales de acuerdo con nuestra política de privacidad. Política de privacidad para proporcionarle información relevante. Al enviar su número de teléfono, acepta que nos pongamos en contacto con usted a través de llamadas de voz, SMS y aplicaciones de mensajería. Pueden aplicarse tarifas de llamadas, mensajes y datos.

También puede enviarnos su solicitud
a contact@innowise.com

¿Qué pasa después?

Una vez recibida y procesada su solicitud, nos pondremos en contacto con usted para detallarle las necesidades de su proyecto y firmar un acuerdo de confidencialidad. Proyecto y firmaremos un acuerdo de confidencialidad.

Tras examinar sus deseos, necesidades y expectativas, nuestro equipo elaborará una propuesta de proyecto con el alcance del trabajo, el tamaño del equipo, el plazo y los costes estimados con el alcance del trabajo, el tamaño del equipo, el tiempo y las estimaciones de costes.

Concertaremos una reunión con usted para hablar de la oferta y concretar los detalles.

Por último, firmaremos un contrato y empezaremos a trabajar en su proyecto de inmediato.