Wspólna segmentacja obrazów mammograficznych w trzech placówkach

W ramach projektu Innowise wdrożono platformę do uczenia federacyjnego, która umożliwiła trzem klinikom wspólne szkolenie modelu wykrywania raka piersi bez udostępniania wrażliwych danych pacjentów.

Do 68,61 TP180T

poprawa segmentacji AP

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

Branża Opieka zdrowotna

Pracownicy 3,500+

Region Europa

Usługi rozwoju AI
Wizja komputerowa

Przegląd projektu

Podsumuj artykuł za pomocą AI

Firma Innowise zainicjowała projekt uczenia federacyjnego i zaangażowała trzy szpitale do wspólnego opracowania modelu wykrywania i segmentacji raka piersi. Ponieważ każdy szpital zarządzał wrażliwymi danymi mammograficznymi w ramach własnego, bezpiecznego środowiska, projekt wymagał zastosowania podejścia zapewniającego ochronę prywatności, które umożliwiłoby wspólne szkolenie modeli sztucznej inteligencji bez wymiany dokumentacji pacjentów.

Wyzwanie

Ochrona danych osobowych w służbie zdrowia. Kliniki biorące udział w projekcie chciały współpracować przy opracowywaniu rozwiązań opartych na sztucznej inteligencji bez ujawniania poufnych danych obrazowych pacjentów poza swoją lokalną infrastrukturą.
Ograniczenia regulacyjne i związane z zarządzaniem. Rozwiązanie musiało spełniać surowe wymogi dotyczące ochrony prywatności w służbie zdrowia oraz wymogi regulacyjne, które ograniczały scentralizowane przechowywanie obrazów medycznych.
Elastyczna współpraca kliniczna. Ramy niezbędne do wspierania przyszłej współpracy między kolejnymi placówkami opieki zdrowotnej bez konieczności zmiany modelu ochrony prywatności.

Rozproszone uczenie maszynowe z zachowaniem prywatności. System wymagał wspólnego szkolenia sztucznej inteligencji z udziałem wielu placówek medycznych bez przekazywania surowych danych mammograficznych.
Bezpieczna synchronizacja modeli. Między uczestnikami można było wymieniać wyłącznie parametry modeli i aktualizacje, natomiast dane pacjentów musiały pozostawać w lokalnym środowisku każdej kliniki.
Zbiory danych o zróżnicowanym charakterze. Różnice w rozkładzie obrazów oraz w strukturze przypadków między placówkami stanowiły wyzwanie dla stabilnego szkolenia i optymalizacji modelu.

Dostarczone przez nas rozwiązanie

W ramach projektu Innowise wdrożono platformę uczenia federacyjnego z zachowaniem prywatności, służącą do szkolenia wspólnego modelu wykrywania i segmentacji raka piersi bez przekazywania wrażliwych danych pacjentów poza lokalne systemy kliniczne.

ARCHITEKTURA UCZENIA FEDERACYJNEGO ARCH1TP179

Zamiast gromadzić zdjęcia mammograficzne w wspólnej bazie danych, każda klinika trenowała model lokalnie, w ramach własnej, bezpiecznej infrastruktury.

Podczas szkolenia system wymieniał wyłącznie parametry modelu oraz aktualizacje wynikające ze szkolenia za pośrednictwem scentralizowanego procesu agregacji. Zagregowane aktualizacje były łączone w ulepszony model globalny, a następnie ponownie dystrybuowane do wszystkich uczestniczących klinik w kolejnych cyklach szkoleniowych.

To podejście oparte na uczeniu federacyjnym umożliwiło instytucjom wspólną poprawę wydajności modelu przy jednoczesnym zachowaniu prywatności pacjentów i przestrzeganiu wymogów dotyczących zarządzania opieką zdrowotną.

MODEL SEGMENTACJI W MAMMOGRAFII

W ramach projektu wykorzystano model Mask R-CNN do:

Wykrywanie zmian w piersi
Lokalizacja zmiany
Segmentacja obrazów mammograficznych na poziomie pikseli

Model ten umożliwił klinikom identyfikację podejrzanych obszarów oraz generowanie szczegółowych masek segmentacji zmian, które wspierają dalsze etapy procesu diagnostycznego i zwiększają spójność interpretacji wyników.

Aby zapewnić stabilny przebieg nauczania opartego na współpracy we wszystkich uczestniczących instytucjach, w ramach projektu Innowise ujednolicono:

Architektura modelu
Konfiguracje szkoleniowe
Potoki przetwarzania wstępnego
Procedury oceny

Aby zwiększyć niezawodność modelu w odniesieniu do różnych zbiorów danych klinicznych, w projekcie Innowise wdrożono procesy wzbogacania danych oraz strategie radzenia sobie z nierównowagą klas, co pozwoliło ustabilizować wspólne szkolenie modelu i zmniejszyć tendencyjność zbiorów danych. Pomogło to modelowi sztucznej inteligencji lepiej radzić sobie z różnicami w obrazach mammograficznych, nierównomiernym rozkładem przypadków nowotworowych oraz różnicami w jakości obrazowania między placówkami.

Wszystkie modele zostały ocenione przy użyciu ustandaryzowanego, wspólnego protokołu oceny oraz wspólnego zestawu testów porównawczych, co zapewniło rzetelne porównanie ich wydajności.

ROZPROSZONY PROCES SZKOLENIOWY

Każda z tych klinik napotykała wcześniej ograniczenia wydajności podczas samodzielnego uczenia się ze względu na ograniczoną różnorodność lokalnych danych oraz tendencyjność zbiorów danych.

Proces uczenia federacyjnego umożliwił każdej klinice samodzielne wyszkolenie modelu na podstawie około 3 500 lokalnych zdjęć mammograficznych uczestnicząc w wspólnym, rozproszonym cyklu nauczania.

Proces obejmował:

Szkolenie lokalnych modeli w każdej przychodni
Okresowa synchronizacja aktualizacji modelu
Scentralizowane agregowanie wyuczonych parametrów
Przekazanie zaktualizowanego modelu globalnego uczestnikom

Takie podejście ułatwiło wspólne szkolenie modeli sztucznej inteligencji w ramach około 10 500 zdjęć mammograficznych bez tworzenia scentralizowane repozytorium obrazów medycznych.

PRZECHOWYWANIE DANYCH Z ZAGWARANTOWANIEM OCHRONY PRYWATNOŚCI

W ramach projektu zastosowano model przechowywania danych wyłącznie w środowisku lokalnym, co oznacza, że wszystkie zdjęcia mammograficzne pozostawały w bezpiecznym środowisku każdej kliniki przez cały czas trwania procesu szkolenia.

System nigdy nie przesyłał nieprzetworzonych obrazów medycznych między placówkami. Podczas cykli synchronizacji wymieniano wyłącznie parametry modelu oraz aktualizacje wynikające z uczenia.

Architektura ta umożliwiła klinikom wspólne szkolenie wspólnego modelu sztucznej inteligencji przy zachowaniu pełnej lokalnej kontroli nad wrażliwymi danymi pacjentów.

Jednym z głównych celów tego projektu było stworzenie praktycznych ram dla współpracy w zakresie klinicznej sztucznej inteligencji bez scentralizowanej wymiany danych. Podejście oparte na uczeniu federacyjnym pozwoliło uczestniczącym w projekcie klinikom poprawić jakość modeli w oparciu o zróżnicowane zbiory danych mammograficznych, przy jednoczesnym zachowaniu pełnej lokalnej kontroli nad danymi pacjentów.

Hanna Karpenka Konsultant naukowy

Technologie

AI i uczenie maszynowe

Uczenie federacyjne, Kurs komputerowy Vision, Wykrywanie i segmentacja obrazów medycznych

Frameworki

PyTorch, TensorFlow

Modele

Mask R-CNN

Rozproszona sztuczna inteligencja

Szkolenie rozproszone, agregacja modeli

Zespół

Inżynierowie ML

ekspert w dziedzinie obrazowania biomedycznego

Rezultaty

Czas trwania projektu

2 miesiące

Wdrażając proces uczenia federacyjnego w trzech klinikach, projekt Innowise pomógł uczestniczącym w nim placówkom wspólnie usprawnić wykrywanie i segmentację nowotworów piersi bez konieczności centralizacji poufnych danych mammograficznych.

Model federacyjny konsekwentnie osiągał lepsze wyniki niż modele szkolone niezależnie w poszczególnych placówkach. Wspólne uczenie się na podstawie około 10 500 obrazów mammograficznych zapewniło modelowi dostęp do szerszego zakresu typów zmian, wzorców obrazowych i rozkładu pacjentów niż mogłaby zapewnić jakakolwiek pojedyncza placówka działająca samodzielnie.

W rezultacie w ramach projektu osiągnięto:

Wyższa jakość segmentacji niż w jakimkolwiek modelu opartym na pojedynczej klinice
Poprawa nawet o 68,61 TP180T w segmentacji AP w porównaniu z najsłabszym punktem odniesienia z pojedynczego ośrodka
Poprawa zdolności uogólniania modelu w przypadku zróżnicowanych zbiorów danych mammograficznych
Bardziej stabilna lokalizacja zmian w różnych warunkach obrazowania

Ulepszenia te bezpośrednio wpłynęły na usprawnienie dalszych etapów pracy klinicznej, w których dokładna segmentacja ma kluczowe znaczenie dla lokalizacji zmian chorobowych, wsparcia diagnostycznego oraz spójności interpretacji wyników.

Projekt wykazał również, że uczenie federacyjne może stanowić skalowalną podstawę dla przyszłych wieloinstytucjonalnych inicjatyw w zakresie klinicznej sztucznej inteligencji, pozostając jednocześnie zgodnym z wymogami dotyczącymi prywatności i zarządzania w opiece zdrowotnej.

Spis treści

Twórz bezpieczne rozwiązania kliniczne oparte na sztucznej inteligencji z wykorzystaniem Innowise

Powiązane projekty

Skontaktuj się z nami

Umów się na rozmowę lub wypełnij poniższy formularz, a my odezwiemy się do Ciebie po przetworzeniu Twojego zgłoszenia.

Nazwa

Firma

E-mail

Telefon

Wiadomość

Wyślij nam wiadomość głosową

Załącz dokumenty

Prześlij plik

Można załączyć 1 plik o rozmiarze do 2 MB. Prawidłowe formaty plików: pdf, jpg, jpeg, png.

Klikając "Wyślij", wyrażasz zgodę na przetwarzanie Twoich danych osobowych przez Innowise zgodnie z naszą Politykę Prywatności w celu przekazania Ci odpowiednich informacji. Podając numer telefonu, zgadzasz się na kontakt za pośrednictwem połączeń głosowych, SMS-ów lub komunikatorów. Mogą obowiązywać opłaty za połączenia, wiadomości i transmisję danych.

Możesz także wysłać swoje zapytanie
na contact@innowise.com

Co dalej?

Po otrzymaniu i przetworzeniu zgłoszenia skontaktujemy się z Tobą, aby szczegółowo opisać projekt i podpisać umowę NDA w celu zapewnienia poufności.

Po zapoznaniu się z Twoimi potrzebami i oczekiwaniami, nasz zespół opracuje projekt wraz z zakresem prac, wielkością zespołu, wymaganym czasem i szacunkowymi kosztami.

Zorganizujemy spotkanie w celu omówienia oferty i ustalenia szczegółów.

Na koniec podpiszemy umowę, błyskawicznie rozpoczynając pracę nad projektem.