Segmentazione collaborativa delle immagini mammografiche in tre cliniche

Innowise ha implementato un framework di apprendimento federato che ha consentito a tre cliniche di addestrare in modo collaborativo un modello di rilevamento del cancro al seno senza condividere dati sensibili dei pazienti.

Fino al 68,6%

miglioramento della segmentazione AP

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

Industria Sanità

Dipendenti 3,500+

Regione Europa

Servizi Sviluppo IA
Computer vision

Panoramica del progetto

Riassumere l'articolo con IA

Innowise ha avviato un progetto di apprendimento federato e ha coinvolto tre ospedali nello sviluppo collaborativo di un modello per il rilevamento e la segmentazione del tumore al seno. Poiché ciascun ospedale gestiva i dati sensibili relativi alle mammografie all’interno del proprio ambiente protetto, il progetto richiedeva un approccio che garantisse la tutela della privacy e consentisse l’addestramento congiunto dell’intelligenza artificiale senza lo scambio di cartelle cliniche dei pazienti.

Il problema

Protezione dei dati nel settore sanitario. Le cliniche partecipanti desideravano collaborare allo sviluppo dell'intelligenza artificiale senza divulgare dati sensibili relativi alle immagini dei pazienti al di fuori della propria infrastruttura locale.
Vincoli normativi e di governance. La soluzione doveva rispettare rigorosi requisiti normativi e di tutela della privacy nel settore sanitario, che limitavano l'archiviazione centralizzata delle immagini mediche.
Collaborazione clinica scalabile. Il quadro di riferimento necessario per favorire la futura collaborazione tra ulteriori strutture sanitarie senza modificare il modello di protezione dei dati personali.

Addestramento distribuito che tutela la privacy. Il sistema richiedeva un addestramento collaborativo dell'IA tra diverse cliniche senza trasferire i dati grezzi delle mammografie.
Sincronizzazione sicura dei modelli. Tra i partecipanti potevano essere scambiati solo i parametri del modello e gli aggiornamenti, mentre i dati dei pazienti dovevano rimanere all’interno dell’ambiente locale di ciascuna clinica.
Set di dati eterogenei. Le diverse distribuzioni delle immagini e la varietà dei casi tra le diverse cliniche hanno creato delle difficoltà per l'addestramento e l'ottimizzazione stabili del modello.

La soluzione che abbiamo fornito

Innowise ha implementato un framework di apprendimento federato che garantisce la tutela della privacy per addestrare un modello condiviso di rilevamento e segmentazione del cancro al seno senza trasferire dati sensibili dei pazienti al di fuori dei sistemi clinici locali.

ARCHITETTURA DI APPRENDIMENTO FEDERATO

Anziché centralizzare le immagini mammografiche in un database condiviso, ogni clinica ha addestrato il modello a livello locale all’interno della propria infrastruttura protetta.

Durante l'addestramento, il sistema ha scambiato solo i parametri del modello e gli aggiornamenti relativi all'addestramento attraverso un flusso di lavoro di aggregazione centralizzato. Gli aggiornamenti aggregati sono stati integrati in un modello globale migliorato e successivamente ridistribuiti a tutte le cliniche partecipanti durante i cicli di addestramento successivi.

Questo approccio di apprendimento federato ha consentito alle istituzioni di migliorare in modo collaborativo le prestazioni dei modelli, salvaguardando al contempo la privacy dei pazienti e rispettando i requisiti normativi in materia di assistenza sanitaria.

MODELLO DI SEGMENTAZIONE PER LA MAMMOGRAFIA

Il progetto ha utilizzato Mask R-CNN per:

Rilevamento delle lesioni mammarie
Localizzazione della lesione
Segmentazione a livello di pixel delle immagini mammografiche

Il modello ha consentito alle cliniche di individuare aree sospette e di generare maschere di segmentazione dettagliate delle lesioni, che supportano i flussi di lavoro diagnostici a valle e migliorano la coerenza nell'interpretazione.

Per garantire un apprendimento collaborativo stabile in tutte le istituzioni partecipanti, Innowise ha standardizzato:

Modello di architettura
Configurazioni di formazione
Pipeline di pre-elaborazione
Procedure di valutazione

Per migliorare l'affidabilità del modello su diversi set di dati clinici, Innowise ha implementato pipeline di aumento dei dati e strategie di gestione dello squilibrio di classe, al fine di stabilizzare l'addestramento collaborativo del modello e ridurre la distorsione dei set di dati. Ciò ha consentito al modello di IA di gestire meglio le variazioni nelle immagini mammografiche, la distribuzione disomogenea dei casi di cancro e le differenze nella qualità delle immagini tra le diverse cliniche.

Tutti i modelli sono stati valutati utilizzando un protocollo di valutazione standardizzato e condiviso e una serie comune di test di riferimento, garantendo così un confronto equo delle prestazioni.

FLUSSO DI LAVORO DELLA FORMAZIONE DISTRIBUITA

In passato, ogni clinica si trovava a dover fare i conti con limiti di rendimento quando svolgeva la formazione in modo autonomo, a causa della scarsa diversità dei dati locali e della distorsione dei set di dati.

Il processo di apprendimento federato ha consentito a ciascuna clinica di addestrare il modello in modo indipendente su circa 3.500 immagini mammografiche locali partecipando a un ciclo di apprendimento condiviso e distribuito.

Il flusso di lavoro comprendeva:

Formazione dei modelli locali presso ciascuna clinica
Sincronizzazione periodica degli aggiornamenti del modello
Aggregazione centralizzata dei parametri appresi
Ridistribuzione del modello globale aggiornato ai partecipanti

Questo approccio ha facilitato l'addestramento collaborativo dell'IA in tutto il circa 10.500 immagini mammografiche senza creare un archivio centralizzato di immagini mediche.

CONSERVAZIONE DEI DATI CON TUTELA DELLA PRIVACY

Il progetto ha adottato un modello di conservazione dei dati esclusivamente locale, il che significa che tutte le immagini mammografiche sono rimaste all’interno dell’ambiente protetto di ciascuna clinica per l’intera durata del processo di addestramento.

Il sistema non ha mai trasferito immagini mediche non elaborate tra le diverse strutture. Durante i cicli di sincronizzazione sono stati scambiati solo i parametri del modello e gli aggiornamenti relativi all'addestramento.

Questa architettura ha consentito alle cliniche di addestrare in modo collaborativo un modello di intelligenza artificiale condiviso, mantenendo al contempo il pieno controllo locale sui dati sensibili dei pazienti.

Uno degli obiettivi principali di questo progetto era quello di creare un quadro operativo per l'intelligenza artificiale clinica collaborativa senza condivisione centralizzata dei dati. L'approccio dell'apprendimento federato ha consentito alle cliniche partecipanti di migliorare la qualità dei modelli su diversi set di dati mammografici, mantenendo al contempo il pieno controllo locale sulle informazioni relative alle pazienti.

Roman Sen Responsabile delle scienze della vita basate sui dati

Tecnologie

AI e apprendimento automatico

Apprendimento federato, Corso di informatica Vision, Rilevamento e segmentazione di immagini mediche

Frameworks

PyTorch, TensorFlow

Modelli

Mask R-CNN

Intelligenza artificiale distribuita

Formazione distribuita, aggregazione di modelli

Team

Ingegneri ML

esperto nel campo dell'imaging biomedico

Risultato

Durata del progetto

2 mesi

Attraverso l'implementazione di un flusso di lavoro basato sull'apprendimento federato in tre cliniche, Innowise ha aiutato le istituzioni partecipanti a migliorare in modo collaborativo l'individuazione e la segmentazione del tumore al seno senza centralizzare i dati sensibili delle mammografie.

Il modello federato ha costantemente ottenuto risultati migliori rispetto ai modelli addestrati in modo indipendente presso le singole cliniche. L’apprendimento collaborativo su circa 10.500 immagini mammografiche ha consentito al modello di accedere a una gamma più ampia di tipi di lesioni, pattern di imaging e distribuzioni dei pazienti rispetto a quanto qualsiasi singola istituzione potesse fornire da sola.

Di conseguenza, il progetto ha ottenuto i seguenti risultati:

Qualità di segmentazione superiore rispetto a qualsiasi modello clinico autonomo
Fino a un miglioramento del 68,6% nella segmentazione AP rispetto al valore di riferimento del singolo sito più debole
Miglioramento della generalizzazione del modello su insiemi di dati mammografici eterogenei
Localizzazione più stabile delle lesioni in diverse condizioni di imaging

Questi miglioramenti hanno fornito un supporto diretto ai flussi di lavoro clinici a valle, in cui una segmentazione accurata è fondamentale per la localizzazione delle lesioni, il supporto diagnostico e la coerenza nell'interpretazione.

Il progetto ha inoltre dimostrato che l’apprendimento federato può fungere da base scalabile per future iniziative cliniche di intelligenza artificiale che coinvolgono più istituzioni, pur rimanendo compatibile con i requisiti in materia di privacy e governance nel settore sanitario.

Indice dei contenuti

Sviluppa soluzioni cliniche sicure basate sull'intelligenza artificiale con Innowise

Casi correlati

Contattaci

Prenota una chiamata oppure compila il modulo qui sotto e ti ricontatteremo non appena avremo elaborato la richiesta.

Nome

Azienda

Telefono

Messaggio

Inviaci un messaggio vocale

Allega i documenti

Carica il file

È possibile allegare 1 file di dimensioni massime di 2 MB. Formati di file validi: pdf, jpg, jpeg, png.

Facendo clic su «Invia», acconsenti al trattamento dei tuoi dati personali da parte di Innowise in conformità con la nostra Informativa sulla privacy per fornirti informazioni pertinenti. Inviando il tuo numero di telefono, accetti che possiamo contattarti tramite chiamate vocali, SMS e app di messaggistica. Potrebbero essere applicati costi per chiamate, messaggi e traffico dati.

Puoi anche inviarci la tua richiesta
a contact@innowise.com

Cosa succede dopo?

Una volta ricevuta e presa in carico la richiesta, ti ricontatteremo per approfondire le esigenze del progetto e firmare un NDA per tutelare la riservatezza.

Dopo aver chiarito esigenze, obiettivi e aspettative, il nostro team elabora una proposta che definisce le attività previste, la composizione del team, le tempistiche e i costi stimati.

Fisseremo un incontro per discutere la proposta e definire tutti i dettagli.

Infine, firmeremo il contratto e inizieremo subito a lavorare sul tuo progetto.