Segmentação colaborativa de mamografias em três clínicas

O Innowise implementou uma estrutura de aprendizagem federada que permitiu que três clínicas treinassem, em colaboração, um modelo de deteção do cancro da mama sem partilharem dados sensíveis dos doentes.

Até 68,61 TP180T

melhoria na segmentação AP

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

Indústria Saúde

Empregados 3,500+

Região Europa

Serviços desenvolvimento da IA
Visão Computacional

Visão geral do projeto

Resumo por IA

A Innowise lançou um projeto de aprendizagem federada e envolveu três hospitais no desenvolvimento colaborativo de um modelo de deteção e segmentação do cancro da mama. Uma vez que cada hospital geria dados sensíveis de mamografia no seu próprio ambiente seguro, o projeto exigiu uma abordagem que preservasse a privacidade e permitisse o treino conjunto de IA sem a troca de registos de doentes.

Desafio

Privacidade dos dados na área da saúde. As clínicas participantes pretendiam colaborar no desenvolvimento da IA sem expor dados sensíveis de imagiologia dos doentes fora da sua infraestrutura local.
Restrições regulamentares e de governação. A solução tinha de cumprir rigorosos requisitos regulamentares e de privacidade no setor da saúde, que limitavam o armazenamento centralizado de imagens médicas.
Colaboração clínica escalável. O quadro necessário para apoiar a futura colaboração entre outras instituições de saúde, sem alterar o modelo de privacidade.

Formação distribuída com preservação da privacidade. O sistema exigia uma formação colaborativa em IA entre várias clínicas, sem transferência de dados brutos de mamografia.
Sincronização segura de modelos. Apenas os parâmetros do modelo e as atualizações podiam ser partilhados entre os participantes, enquanto os dados dos doentes tinham de permanecer no ambiente local de cada clínica.
Conjuntos de dados heterogéneos. As diferentes distribuições de imagens e composições de casos entre as clínicas criaram desafios para o treino e a otimização estáveis do modelo.

Solução que fornecemos

O Innowise implementou uma estrutura de aprendizagem federada que preserva a privacidade para treinar um modelo partilhado de deteção e segmentação do cancro da mama, sem transferir dados sensíveis dos doentes para fora dos sistemas clínicos locais.

ARQUITETURA DE APRENDIZAGEM FEDERADA ARCH1TP179

Em vez de centralizar as imagens de mamografia numa base de dados partilhada, cada clínica treinou o modelo localmente, no âmbito da sua própria infraestrutura segura.

Durante o treino, o sistema trocou apenas parâmetros do modelo e atualizações de treino através de um fluxo de trabalho de agregação centralizado. As atualizações agregadas foram combinadas num modelo global melhorado e, em seguida, redistribuídas a todas as clínicas participantes durante os ciclos de treino subsequentes.

Esta abordagem de aprendizagem federada permitiu às instituições melhorar, de forma colaborativa, o desempenho do modelo, preservando simultaneamente a privacidade dos doentes e cumprindo os requisitos de governação no setor da saúde.

MODELO DE SEGMENTAÇÃO DE MAMOGRAFIA

O projeto utilizou o Mask R-CNN para:

Detecção de lesões mamárias
Localização da lesão
Segmentação ao nível do pixel de imagens de mamografia

O modelo permitiu às clínicas identificar regiões suspeitas e gerar máscaras detalhadas de segmentação de lesões que apoiam os fluxos de trabalho de diagnóstico a jusante e melhoram a consistência da interpretação.

Para garantir uma aprendizagem colaborativa estável em todas as instituições participantes, o Innowise padronizou:

Arquitetura do modelo
Configurações de formação
Fluxos de pré-processamento
Procedimentos de avaliação

Para melhorar a fiabilidade do modelo em diferentes conjuntos de dados clínicos, o Innowise implementou fluxos de trabalho de aumento de dados e estratégias de gestão do desequilíbrio de classes, com o objetivo de estabilizar a formação colaborativa do modelo e reduzir o enviesamento dos conjuntos de dados. Isto ajudou o modelo de IA a lidar melhor com as variações nas imagens de mamografia, a distribuição desigual dos casos de cancro e as diferenças na qualidade das imagens entre clínicas.

Todos os modelos foram avaliados utilizando um protocolo de avaliação padronizado e partilhado e um conjunto comum de testes de referência, garantindo uma comparação justa do desempenho.

FLUXO DE TRABALHO DE FORMAÇÃO DISTRIBUÍDA

Anteriormente, cada clínica deparava-se com limites de desempenho quando realizava a formação de forma independente, devido à diversidade limitada dos dados locais e ao enviesamento dos conjuntos de dados.

O processo de aprendizagem federada permitiu que cada clínica treinasse o modelo de forma independente com aproximadamente 3 500 imagens de mamografia locais ao participar num ciclo de aprendizagem partilhado e distribuído.

O fluxo de trabalho incluiu:

Formação sobre modelos locais em cada clínica
Sincronização periódica das atualizações do modelo
Agregação centralizada dos parâmetros aprendidos
Redistribuição do modelo global atualizado aos participantes

Esta abordagem facilitou a formação colaborativa em IA em cerca de 10 500 imagens de mamografia sem criar um repositório centralizado de imagens médicas.

RETENÇÃO DE DADOS COM PRESERVAÇÃO DA PRIVACIDADE

O projeto utilizou um modelo de retenção de dados exclusivamente local, o que significa que todas as imagens de mamografia permaneceram no ambiente seguro de cada clínica ao longo de todo o processo de treino.

O sistema nunca transferiu imagens médicas em bruto entre instituições. Durante os ciclos de sincronização, apenas foram trocados parâmetros do modelo e atualizações de treino.

Esta arquitetura permitiu que as clínicas treinassem em conjunto um modelo de IA partilhado, mantendo ao mesmo tempo o controlo local total sobre os dados sensíveis dos doentes.

Um dos principais objetivos deste projeto foi criar um quadro prático para a IA clínica colaborativa sem partilha centralizada de dados. A abordagem de aprendizagem federada permitiu às clínicas participantes melhorar a qualidade do modelo em diversos conjuntos de dados de mamografia, mantendo ao mesmo tempo o controlo local total sobre as informações dos doentes.

Hanna Karpenka Consultor Científico

Tecnologias

IA e aprendizagem automática

Aprendizagem Federada, Informática Vision, Detecção e Segmentação de Imagens Médicas

Estruturas

PyTorch, TensorFlow

Modelos

Mask R-CNN

IA distribuída

Formação distribuída, agregação de modelos

Equipa

Engenheiros de ML

especialista na área da imagiologia biomédica

Resultado

Duração do projecto

2 meses

Ao implementar um fluxo de trabalho de aprendizagem federada em três clínicas, o Innowise ajudou as instituições participantes a melhorar, de forma colaborativa, a deteção e a segmentação do cancro da mama, sem centralizar dados sensíveis de mamografia.

O modelo federado apresentou um desempenho consistentemente superior ao dos modelos treinados de forma independente em clínicas individuais. A aprendizagem colaborativa com base em cerca de 10 500 imagens de mamografia proporcionou ao modelo acesso a uma gama mais ampla de tipos de lesões, padrões de imagem e distribuições de doentes do que qualquer instituição isolada poderia oferecer por si só.

Consequentemente, o projeto conseguiu:

Maior qualidade de segmentação do que qualquer modelo clínico autónomo
Uma melhoria de até 68,61 TP180T na segmentação AP, em comparação com a linha de base do local único mais fraco
Melhoria da generalização do modelo em conjuntos de dados heterogéneos de mamografia
Localização mais estável da lesão em diferentes condições de imagiologia

Estas melhorias contribuíram diretamente para os fluxos de trabalho clínicos a jusante, nos quais uma segmentação precisa é importante para a localização de lesões, o apoio ao diagnóstico e a consistência na interpretação.

O projeto demonstrou ainda que a aprendizagem federada pode servir de base escalável para futuras iniciativas de IA clínica envolvendo várias instituições, mantendo-se, ao mesmo tempo, compatível com os requisitos de privacidade e governação no setor da saúde.

Índice

Desenvolva soluções seguras de IA clínica com o Innowise

Casos relacionados

Contactar-nos

Marcar uma chamada ou preencha o formulário abaixo e entraremos em contacto consigo assim que tivermos processado o seu pedido.

Nome

Empresa

Correio electrónico

Telefone

Mensagem

Envie-nos uma mensagem de voz

Anexar documentos

Enviar ficheiro

Pode anexar um ficheiro com um máximo de 2MB. Formatos de ficheiro válidos: pdf, jpg, jpeg, png.

Ao clicar em Enviar, o utilizador autoriza a Innowise a processar os seus dados pessoais de acordo com a nossa Política de privacidade para lhe fornecer informações relevantes. Ao enviar o seu número de telefone, o utilizador aceita que o possamos contactar através de chamadas de voz, SMS e aplicações de mensagens. Poderão ser aplicadas tarifas de chamadas, mensagens e dados.

Pode também enviar-nos o seu pedido
para contact@innowise.com

O que é que acontece a seguir?

Assim que recebermos e processarmos o seu pedido, entraremos em contacto consigo para necessidades do seu projeto e assinar um NDA para garantir a confidencialidade.

Depois de analisarmos os seus desejos, necessidades e expectativas, a nossa equipa elaborará uma proposta de projeto proposta de projeto com o âmbito do trabalho, dimensão da equipa, tempo e estimativas de custos.

Marcaremos uma reunião consigo para discutir a oferta e acertar os pormenores.

Por fim, assinaremos um contrato e começaremos a trabalhar no seu projeto imediatamente.