Segmentation collaborative des images de mammographie dans trois cliniques

Innowise a mis en place un cadre d'apprentissage fédéré qui a permis à trois cliniques d'entraîner conjointement un modèle de détection du cancer du sein sans partager les données sensibles des patientes.

Jusqu'à 68,61 TP180T

amélioration de la segmentation AP

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

Industrie Santé

Salariés 3,500+

Région Europe

Services développement de IA
Vision par Ordinateur

Présentation du projet

Résumé par l'IA

Innowise a lancé un projet d'apprentissage fédéré et a fait appel à trois hôpitaux pour développer conjointement un modèle de détection et de segmentation du cancer du sein. Chaque hôpital gérant des données de mammographie sensibles au sein de son propre environnement sécurisé, le projet nécessitait une approche préservant la confidentialité, permettant un apprentissage conjoint de l'IA sans échange de dossiers médicaux.

Défi

Confidentialité des données de santé. Les cliniques participantes souhaitaient collaborer au développement de l'IA sans exposer les données d'imagerie sensibles des patients en dehors de leur infrastructure locale.
Contraintes réglementaires et de gouvernance. La solution devait respecter des exigences réglementaires et de confidentialité strictes dans le domaine de la santé, qui limitaient le stockage centralisé des images médicales.
Une collaboration clinique évolutive. Le cadre nécessaire pour faciliter la collaboration future entre d'autres établissements de santé sans modifier le modèle de protection de la vie privée.

Apprentissage distribué préservant la confidentialité. Le système nécessitait un apprentissage collaboratif de l'IA impliquant plusieurs cliniques, sans transfert des données brutes de mammographie.
Synchronisation sécurisée des modèles. Seuls les paramètres des modèles et les mises à jour pouvaient être échangés entre les participants, tandis que les données des patients devaient rester au sein de l'environnement local de chaque clinique.
Ensembles de données hétérogènes. Les différences entre les cliniques en matière de répartition des examens d'imagerie et de composition des cas ont posé des difficultés pour l'entraînement et l'optimisation d'un modèle stable.

La solution que nous avons fournie

Innowise a mis en place un cadre d'apprentissage fédéré préservant la confidentialité afin d'entraîner un modèle partagé de détection et de segmentation du cancer du sein sans transférer de données sensibles sur les patients en dehors des systèmes cliniques locaux.

ARCHITECTURE D'APPRENTISSAGE FÉDÉRÉ ARCH1TP179

Au lieu de centraliser les images de mammographie dans une base de données partagée, chaque clinique a entraîné le modèle localement, au sein de sa propre infrastructure sécurisée.

Au cours de l'entraînement, le système n'échangeait que les paramètres du modèle et les mises à jour issues de l'entraînement via un processus d'agrégation centralisé. Les mises à jour agrégées étaient intégrées dans un modèle global amélioré, puis redistribuées à toutes les cliniques participantes au cours des cycles d'entraînement suivants.

Cette approche d'apprentissage fédéré a permis aux établissements d'améliorer conjointement les performances des modèles tout en préservant la confidentialité des patients et en respectant les exigences en matière de gouvernance des soins de santé.

MODÈLE DE SEGMENTATION EN MAMMOGRAPHIE

Dans le cadre de ce projet, Mask R-CNN a été utilisé pour :

Détection des lésions mammaires
Localisation de la lésion
Segmentation au niveau du pixel des images de mammographie

Ce modèle a permis aux cliniques d'identifier les zones suspectes et de générer des masques de segmentation détaillés des lésions, qui facilitent les processus diagnostiques en aval et améliorent la cohérence de l'interprétation.

Afin de garantir un apprentissage collaboratif stable dans tous les établissements participants, le programme Innowise a mis en place les normes suivantes :

Architecture du modèle
Configurations de formation
Chaînes de prétraitement
Procédures d'évaluation

Afin d'améliorer la fiabilité du modèle sur différents ensembles de données cliniques, Innowise a mis en œuvre des pipelines d'augmentation des données et des stratégies de gestion du déséquilibre entre les classes, dans le but de stabiliser l'entraînement du modèle collaboratif et de réduire les biais des ensembles de données. Cela a permis au modèle d'IA de mieux gérer les variations dans les images de mammographie, la répartition inégale des cas de cancer et les différences de qualité d'imagerie entre les cliniques.

Tous les modèles ont été évalués à l'aide d'un protocole d'évaluation standardisé et partagé, ainsi que d'un ensemble de tests de référence commun, garantissant ainsi une comparaison équitable de leurs performances..

FLUX DE TRAVAIL DE FORMATION DÉCENTRALISÉ

Auparavant, chaque clinique se heurtait à des limites de performance lorsqu'elle menait ses entraînements de manière indépendante, en raison de la diversité limitée des données locales et des biais présents dans les ensembles de données.

Le processus d'apprentissage fédéré a permis à chaque clinique d'entraîner le modèle de manière indépendante sur environ 3 500 clichés de mammographie locaux tout en participant à un cycle d'apprentissage partagé et distribué.

Le processus comprenait :

Formation aux modèles locaux dans chaque clinique
Synchronisation périodique des mises à jour du modèle
Agrégation centralisée des paramètres appris
Redistribution du modèle mondial mis à jour aux participants

Cette approche a facilité l'entraînement collaboratif de l'IA à travers environ 10 500 clichés de mammographie sans créer une base de données centralisée d'imagerie médicale.

CONSERVATION DES DONNÉES RESPECTANT LA VIE PRIVÉE

Le projet a utilisé un modèle de conservation des données exclusivement local, ce qui signifie que toutes les images de mammographie sont restées au sein de l'environnement sécurisé de chaque clinique tout au long du processus d'apprentissage.

Le système n'a jamais transféré d'images médicales brutes entre les établissements. Seuls les paramètres du modèle et les mises à jour de l'apprentissage ont été échangés lors des cycles de synchronisation.

Cette architecture a permis aux cliniques d'entraîner conjointement un modèle d'IA commun tout en conservant un contrôle local total sur les données sensibles des patients.

L'un des principaux objectifs de ce projet était de mettre en place un cadre pratique pour une IA clinique collaborative sans partage centralisé des données. L'approche d'apprentissage fédéré a permis aux cliniques participantes d'améliorer la qualité des modèles à partir de divers ensembles de données de mammographie, tout en conservant un contrôle local total sur les informations relatives aux patientes.

Hanna Karpenka Consultant scientifique

Technologies

IA et apprentissage automatique

Apprentissage fédéré, Informatique Vision, Détection et segmentation d'images médicales

Cadres de travail

PyTorch, TensorFlow

Modèles

Mask R-CNN

IA distribuée

Apprentissage distribué, agrégation de modèles

Équipe

Ingénieurs en apprentissage automatique

expert en imagerie biomédicale

Résultat

Durée du projet

2 mois

En mettant en place un processus d'apprentissage fédéré impliquant trois cliniques, Innowise a permis aux établissements participants d'améliorer conjointement la détection et la segmentation du cancer du sein sans centraliser les données sensibles issues de la mammographie.

Le modèle fédéré a systématiquement surpassé les modèles entraînés indépendamment dans chaque centre. L'apprentissage collaboratif portant sur environ 10 500 images de mammographie a permis au modèle d'accéder à un éventail plus large de types de lésions, de profils d'imagerie et de répartitions des patientes que ne pourrait en fournir un seul établissement à lui seul.

En conséquence, le projet a permis d'atteindre les objectifs suivants :

Une qualité de segmentation supérieure à celle de n'importe quel modèle clinique autonome
Une amélioration pouvant atteindre 68,61 TP180T en termes de segmentation AP par rapport à la référence unisite la plus faible
Amélioration de la généralisation des modèles sur des ensembles de données hétérogènes de mammographie
Une localisation plus stable des lésions dans différentes conditions d'imagerie

Ces améliorations ont directement contribué à optimiser les processus cliniques en aval, où une segmentation précise est essentielle pour la localisation des lésions, l'aide au diagnostic et la cohérence de l'interprétation.

Ce projet a également démontré que l'apprentissage fédéré peut servir de base évolutive pour de futures initiatives multi-institutionnelles en matière d'IA clinique, tout en restant compatible avec les exigences en matière de confidentialité et de gouvernance dans le domaine de la santé.

Table des matières

Développez des solutions d'IA cliniques sécurisées avec Innowise

Exemples de projets similaires

Contactez-nous

Réserver un appel ou remplissez le formulaire ci-dessous et nous vous contacterons dès que nous aurons traité votre demande.

Nom

Entreprise

Courriel :

Téléphone

Message

Envoyez-nous un message vocal

Joindre des documents

Charger fichier

Vous pouvez joindre un fichier d'une taille maximale de 2 Mo. Formats de fichiers valables : pdf, jpg, jpeg, png.

En cliquant sur Envoyer, vous consentez à ce qu'Innowise traite vos données personnelles conformément à notre politique de confidentialité. Politique de confidentialité pour vous fournir des informations pertinentes. En communiquant votre numéro de téléphone, vous acceptez que nous puissions vous contacter par le biais d'appels vocaux, de SMS et d'applications de messagerie. Les tarifs des appels, des messages et des données peuvent s'appliquer.

Vous pouvez également nous envoyer votre demande
à contact@innowise.com

Que se passe-t-il ensuite ?

Une fois que nous aurons reçu et traité votre demande, nous vous contacterons pour détailler les besoins de votre projet et signer un accord de confidentialité.

Après avoir examiné vos souhaits, vos besoins et vos attentes, notre équipe élaborera une proposition de projet avec l'étendue des travaux, la taille de l'équipe, les délais et les coûts estimés projet avec l'étendue des travaux, la taille de l'équipe, les délais et les coûts estimés.

Nous prendrons rendez-vous avec vous pour discuter de l'offre et régler les détails.

Enfin, nous signons un contrat et commençons immédiatement à travailler sur votre projet.