Gezamenlijke segmentatie van mammografieën in drie klinieken

Innowise heeft een raamwerk voor federatief leren geïmplementeerd waarmee drie klinieken gezamenlijk een model voor de opsporing van borstkanker konden trainen zonder gevoelige patiëntgegevens te delen.

Tot 68,61 TP180T

verbetering in de AP-segmentatie

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

Industrie Gezondheidszorg

Werknemers 3,500+

Regio Europa

Diensten AI ontwikkeling
Computervisie

Projectoverzicht

Artikel samenvatten met AI

Innowise heeft een project op het gebied van federatief leren opgezet en drie ziekenhuizen betrokken bij de gezamenlijke ontwikkeling van een model voor de detectie en segmentatie van borstkanker. Aangezien elk ziekenhuis gevoelige mammografiegegevens binnen zijn eigen beveiligde omgeving beheerde, vereiste het project een aanpak waarbij de privacy werd gewaarborgd en gezamenlijke AI-training mogelijk was zonder uitwisseling van patiëntendossiers.

Uitdaging

Gegevensbescherming in de gezondheidszorg. De deelnemende klinieken wilden samenwerken aan de ontwikkeling van AI zonder gevoelige beeldgegevens van patiënten buiten hun lokale infrastructuur te brengen.
Beperkingen op het gebied van regelgeving en bestuur. De oplossing moest voldoen aan strenge privacy- en wettelijke vereisten in de gezondheidszorg, die de gecentraliseerde opslag van medische beelden beperkten.
Schaalbare klinische samenwerking. Het kader dat nodig is om toekomstige samenwerking tussen andere zorginstellingen mogelijk te maken zonder het privacy-model te wijzigen.

Gedistribueerde training met behoud van privacy. Het systeem vereiste een gezamenlijke AI-training tussen meerdere klinieken, zonder dat de ruwe mammografiegegevens werden overgedragen.
Veilige modelsynchronisatie. Alleen modelparameters en updates konden tussen de deelnemers worden uitgewisseld, terwijl patiëntgegevens binnen de lokale omgeving van elke kliniek moesten blijven.
Heterogene datasets. De uiteenlopende beeldvormingsverdelingen en patiëntenpopulaties tussen de verschillende klinieken vormden een uitdaging voor het stabiel trainen en optimaliseren van het model.

Oplossing die we hebben geleverd

Innowise heeft een federatief leerkader geïmplementeerd dat de privacy waarborgt, om een gedeeld model voor de detectie en segmentatie van borstkanker te trainen zonder gevoelige patiëntgegevens buiten de lokale klinische systemen over te dragen.

ARCHITECTUUR VOOR FEDERATIEF LEREN ARCH1TP179

In plaats van mammografiebeelden in een gezamenlijke database te centraliseren, trainde elke kliniek het model lokaal binnen haar eigen beveiligde infrastructuur.

Tijdens de training wisselde het systeem uitsluitend modelparameters en trainingsupdates uit via een gecentraliseerde aggregatieworkflow. De geaggregeerde updates werden samengevoegd tot een verbeterd globaal model en vervolgens tijdens daaropvolgende trainingscycli opnieuw verspreid onder alle deelnemende klinieken.

Dankzij deze federatieve leerbenadering konden de instellingen gezamenlijk de prestaties van het model verbeteren, terwijl de privacy van patiënten werd gewaarborgd en werd voldaan aan de regelgeving op het gebied van de gezondheidszorg.

SEGMENTATIEMODEL VOOR MAMMOGRAFIE

In het project werd Mask R-CNN gebruikt voor:

Detectie van afwijkingen in de borst
Lokalisatie van de laesie
Segmentatie op pixelniveau van mammografiebeelden

Dankzij het model konden de klinieken verdachte gebieden identificeren en gedetailleerde segmentatiemaskers van laesies genereren, die de daaropvolgende diagnostische werkprocessen ondersteunen en de consistentie bij de interpretatie verbeteren.

Om een stabiel samenwerkingsgericht leerproces bij alle deelnemende instellingen te waarborgen, heeft Innowise het volgende gestandaardiseerd:

Modelarchitectuur
Trainingsconfiguraties
Voorverwerkingspijplijnen
Beoordelingsprocedures

Om de betrouwbaarheid van het model voor verschillende klinische datasets te verbeteren, heeft Innowise pijplijnen voor data-augmentatie en strategieën voor het omgaan met klasse-onbalans geïmplementeerd om de gezamenlijke modeltraining te stabiliseren en vertekening in de datasets te verminderen. Hierdoor kon het AI-model beter omgaan met variaties in mammografiebeelden, een ongelijke verdeling van kankergevallen en verschillen in beeldkwaliteit tussen klinieken.

Alle modellen werden beoordeeld aan de hand van een gestandaardiseerd, gezamenlijk evaluatieprotocol en een gemeenschappelijke benchmarktestset, waardoor een eerlijke vergelijking van de prestaties werd gewaarborgd.

GEDISTRIBUEERDE OPLEIDINGSWERKSTROOM

Elke kliniek stuitte voorheen op prestatiebeperkingen bij het zelfstandig trainen, als gevolg van de beperkte diversiteit van lokale gegevens en vertekening in de datasets.

Dankzij het federatieve leerproces kon elke kliniek het model zelfstandig trainen op ongeveer 3.500 lokale mammografieopnames terwijl ze deelnemen aan een gezamenlijke, gedistribueerde leercyclus.

De werkstroom omvatte:

Training van lokale modellen in elke kliniek
Periodieke synchronisatie van modelupdates
Gecentraliseerde samenvoeging van aangeleerde parameters
Herverdeling van het bijgewerkte wereldwijde model onder de deelnemers

Deze aanpak maakte het mogelijk om AI gezamenlijk te trainen in ongeveer 10.500 mammografiebeelden zonder dat er een gecentraliseerd archief voor medische beeldvorming.

GEGEVENSBEWARING MET INACHTNEMING VAN DE PRIVACY

Het project maakte gebruik van een model waarbij gegevens uitsluitend lokaal werden bewaard, wat inhoudt dat alle mammografiebeelden gedurende het gehele trainingsproces binnen de beveiligde omgeving van elke kliniek bleven.

Het systeem heeft nooit onbewerkte medische beelden tussen instellingen uitgewisseld. Tijdens de synchronisatiecycli werden uitsluitend modelparameters en trainingsupdates uitgewisseld.

Dankzij deze architectuur konden de klinieken gezamenlijk een gedeeld AI-model trainen, terwijl ze volledige lokale controle behielden over gevoelige patiëntgegevens.

Een van de belangrijkste doelstellingen van dit project was het ontwikkelen van een praktisch kader voor collaboratieve klinische AI zonder gecentraliseerde gegevensuitwisseling. Dankzij de federated learning-aanpak konden de deelnemende klinieken de kwaliteit van hun modellen verbeteren op basis van diverse mammografiedatasets, terwijl ze de volledige lokale controle over de patiëntgegevens behielden.

Hanna Karpenka Wetenschappelijk adviseur

Technologieën

AI & machinaal leren

Federated Learning, Computer Vision, Detectie en segmentatie van medische beelden

Frameworks

PyTorch, TensorFlow

Modellen

Mask R-CNN

Gedistribueerde AI

Gedistribueerde training, modelaggregatie

Team

ML-ingenieurs

domeinexpert op het gebied van biomedische beeldvorming

Resultaat

Duur van het project

2 maanden

Door een federated learning-workflow in te voeren in drie klinieken, hielp Innowise de deelnemende instellingen om gezamenlijk de detectie en segmentatie van borstkanker te verbeteren, zonder gevoelige mammografiegegevens te centraliseren.

Het federatieve model presteerde consequent beter dan modellen die afzonderlijk in individuele klinieken waren getraind. Door gezamenlijk te leren op basis van ongeveer 10.500 mammografiebeelden kreeg het model toegang tot een breder scala aan soorten laesies, beeldpatronen en patiëntenverdelingen dan welke instelling dan ook op eigen kracht had kunnen bieden.

Het project heeft daardoor het volgende bereikt:

Een betere segmentatiekwaliteit dan bij welk op zichzelf staand klinisch model dan ook
Een verbetering tot 68,61 TP180T bij segmentatie AP in vergelijking met de zwakste baseline van één locatie
Verbeterde generalisatie van modellen over heterogene mammografiedatasets heen
Stabielere lokalisatie van laesies onder verschillende beeldvormingsomstandigheden

Deze verbeteringen leverden een directe bijdrage aan de daaropvolgende klinische werkprocessen, waarbij nauwkeurige segmentatie van belang is voor het lokaliseren van laesies, diagnostische ondersteuning en consistentie bij de interpretatie.

Het project heeft ook aangetoond dat federatief leren kan dienen als een schaalbare basis voor toekomstige klinische AI-initiatieven waarbij meerdere instellingen betrokken zijn, en tegelijkertijd voldoet aan de vereisten op het gebied van privacy en governance in de gezondheidszorg.

Inhoudsopgave

Ontwikkel veilige klinische AI-oplossingen met Innowise

Gerelateerde gevallen

Contacteer ons

Boek een gesprek of vul het onderstaande formulier in en we nemen contact met je op zodra we je aanvraag hebben verwerkt.

Naam

Bedrijf

E-mail

Telefoon

Bericht

Stuur ons een spraakbericht

Documenten bijvoegen

Bestand uploaden

Je kunt 1 bestand van maximaal 2 MB bijvoegen. Geldige bestandsformaten: pdf, jpg, jpeg, png.

Door op Verzenden te klikken, stemt u ermee in dat Innowise uw persoonsgegevens verwerkt volgens onze Privacybeleid om u van relevante informatie te voorzien. Door je telefoonnummer op te geven, ga je ermee akkoord dat we contact met je opnemen via telefoongesprekken, sms en messaging-apps. Bellen, berichten en datatarieven kunnen van toepassing zijn.

U kunt ons ook uw verzoek sturen
naar contact@innowise.com

Wat gebeurt er nu?

Zodra we je aanvraag hebben ontvangen en verwerkt, nemen we contact met je op om de details van je projectbehoeften en tekenen we een NDA om vertrouwelijkheid te garanderen.

Na het bestuderen van uw wensen, behoeften en verwachtingen zal ons team een projectvoorstel opstellen met de omvang van het werk, de teamgrootte, de tijd en de geschatte kosten voorstel met de omvang van het werk, de grootte van het team, de tijd en de geschatte kosten.

We zullen een afspraak met je maken om het aanbod te bespreken en de details vast te leggen.

Tot slot tekenen we een contract en gaan we meteen aan de slag met je project.