Samarbetsbaserad segmentering av mammografibilder vid tre kliniker

Innowise implementerade ett ramverk för federerat lärande som gjorde det möjligt för tre kliniker att gemensamt träna en modell för upptäckt av bröstcancer utan att dela känsliga patientuppgifter.

Upp till 68,6 %

förbättring av segmenteringen AP

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

Industri Hälsa

Anställda 3,500+

Region Europa

Tjänster utveckling av artificiell intelligens
Datorseende

Projektöversikt

Sammanfatta artikeln med AI

Innowise inledde ett projekt inom federerat lärande och engagerade tre sjukhus för att gemensamt utveckla en modell för upptäckt och segmentering av bröstcancer. Eftersom varje sjukhus hanterade känsliga mammografidata inom sin egen säkra miljö krävde projektet en metod som skyddade integriteten och möjliggjorde gemensam AI-träning utan utbyte av patientjournaler.

Utmaning

Dataskydd inom hälso- och sjukvården. De deltagande klinikerna ville samarbeta kring utvecklingen av AI utan att lämna ut känsliga bilddata om patienter utanför sin lokala infrastruktur.
Regleringsmässiga och styrningsmässiga begränsningar. Lösningen måste uppfylla strikta sekretesskrav och lagstadgade krav inom hälso- och sjukvården, vilka begränsade den centraliserade lagringen av medicinska bilder.
Skalbart kliniskt samarbete. Det ramverk som krävs för att möjliggöra framtida samarbete mellan ytterligare vårdinrättningar utan att ändra integritetsmodellen.

Distribuerad träning med integritetsskydd. Systemet krävde gemensam AI-träning mellan flera kliniker utan att rådata från mammografin överfördes.
Säker synkronisering av modeller. Endast modellparametrar och uppdateringar kunde utbytas mellan deltagarna, medan patientuppgifterna måste förbli inom varje kliniks lokala miljö.
Heterogena datamängder. Olika fördelningar av bilddata och patientgrupper mellan klinikerna medförde utmaningar för en stabil modellträning och optimering.

Lösning vi levererade

Innowise har implementerat ett ramverk för federerat lärande som skyddar integriteten, i syfte att träna en gemensam modell för upptäckt och segmentering av bröstcancer utan att känsliga patientuppgifter överförs utanför de lokala kliniska systemen.

FEDERERAD INLÄRNINGSARKITEKTUR

I stället för att samla mammografibilderna i en gemensam databas tränade varje klinik modellen lokalt inom sin egen säkra infrastruktur.

Under träningen utbytte systemet endast modellparametrar och träningsuppdateringar via ett centraliserat aggregeringsflöde. De aggregerade uppdateringarna sammanfördes till en förbättrad global modell och distribuerades sedan vidare till alla deltagande kliniker under efterföljande träningscykler.

Denna metod för federerat lärande gjorde det möjligt för institutionerna att gemensamt förbättra modellernas prestanda samtidigt som patienternas integritet skyddades och kraven på styrning inom hälso- och sjukvården uppfylldes.

Segmenteringsmodell för mammografi

I projektet användes Mask R-CNN för:

Upptäckt av bröstförändringar
Läsionens lokalisering
Segmentering på pixelnivå av mammografibilder

Modellen gjorde det möjligt för klinikerna att identifiera misstänkta områden och skapa detaljerade segmenteringsmasker för lesioner, vilket underlättar de efterföljande diagnostiska arbetsflödena och förbättrar enhetligheten i tolkningen.

För att säkerställa ett stabilt samarbetsinriktat lärande vid alla deltagande institutioner har Innowise standardiserat följande:

Modellarkitektur
Träningsuppställningar
Förbehandlingspipelines
Utvärderingsförfaranden

För att förbättra modellens tillförlitlighet i olika kliniska datamängder implementerade Innowise processer för dataförstärkning och strategier för hantering av obalans mellan klasser, i syfte att stabilisera den kollaborativa modellträningen och minska snedvridningen i datamängderna. Detta bidrog till att AI-modellen bättre kunde hantera variationer i mammografibilder, ojämn fördelning av cancerfall samt skillnader i bildkvalitet mellan olika kliniker.

Alla modeller utvärderades med hjälp av ett standardiserat gemensamt utvärderingsprotokoll och en gemensam testuppsättning, vilket säkerställde en rättvis jämförelse av prestanda.

DISTRIBUERAT ARBETSFLÖDE FÖR UTBILDNING

Varje klinik stötte tidigare på prestandagränser när de tränade på egen hand, på grund av begränsad datavariation på lokal nivå och snedvridning i datamängderna.

Tack vare federerat lärande kunde varje klinik träna modellen självständigt på ungefär 3 500 lokala mammografibilder samtidigt som de deltar i en gemensam, distribuerad inlärningscykel.

Arbetsflödet omfattade följande:

Utbildning av lokala modeller vid varje klinik
Regelbunden synkronisering av modelluppdateringar
Centraliserad sammanställning av inlärda parametrar
Utdelning av den uppdaterade globala modellen till deltagarna

Detta tillvägagångssätt underlättade samarbetsbaserad AI-träning över cirka 10 500 mammografibilder utan att skapa ett centralt arkiv för medicinsk bilddata.

DATALAGRING MED BEVARANDE AV INTEGRITETEN

I projektet användes en modell för datalagring enbart lokalt, vilket innebär att alla mammografibilder förblev inom varje kliniks säkra miljö under hela träningsprocessen.

Systemet överförde aldrig obearbetade medicinska bilder mellan institutionerna. Endast modellparametrar och uppdateringar av träningen utbyttes under synkroniseringscyklerna.

Denna arkitektur gjorde det möjligt för klinikerna att gemensamt träna en gemensam AI-modell samtidigt som de behöll fullständig lokal kontroll över känsliga patientuppgifter.

Ett av de viktigaste målen med detta projekt var att skapa ett praktiskt ramverk för samarbetsbaserad klinisk AI utan centraliserad datadelning. Tack vare metoden med federerat lärande kunde de deltagande klinikerna förbättra modellernas kvalitet över olika mammografidataset samtidigt som de behöll fullständig lokal kontroll över patientinformationen.

Roman Sen Chef för datadriven biovetenskap

Teknik

AI & Maskininlärning

Federated Learning, Kurs Vision, Detektering och segmentering av medicinska bilder

Ramar

PyTorch, TensorFlow

Modeller

Mask R-CNN

Distribuerad AI

Distribuerad träning, modellaggregering

Team

ML-ingenjörer

expert inom biomedicinsk bildbehandling

Resultat

Projektets löptid

2 månader

Genom att införa ett arbetsflöde för federerat lärande på tre kliniker hjälpte Innowise de deltagande institutionerna att gemensamt förbättra upptäckten och segmenteringen av bröstcancer utan att känsliga mammografidata centraliserades.

Den federerade modellen presterade genomgående bättre än modeller som tränats oberoende av varandra vid enskilda kliniker. Det gemensamma lärandet utifrån cirka 10 500 mammografibilder gav modellen tillgång till ett bredare spektrum av lesionstyper, bildmönster och patientfördelningar än vad någon enskild institution skulle kunna erbjuda på egen hand.

Som ett resultat av detta uppnådde projektet följande:

Högre segmenteringskvalitet än någon fristående klinikmodell
Upp till 68,6 % förbättring vid segmentering med AP jämfört med referensvärdet för den svagaste enskilda mätplatsen
Förbättrad generaliseringsförmåga hos modeller över heterogena mammografidatauppsättningar
Mer stabil lokalisering av lesioner under olika avbildningsförhållanden

Dessa förbättringar bidrog direkt till de efterföljande kliniska arbetsflödena, där noggrann segmentering är viktig för lokalisering av lesioner, diagnostiskt stöd och enhetlig tolkning.

Projektet visade också att federerat lärande kan fungera som en skalbar grund för framtida kliniska AI-initiativ som omfattar flera institutioner, samtidigt som det uppfyller kraven på integritetsskydd och styrning inom hälso- och sjukvården.

Innehållsförteckning

Utveckla säkra kliniska AI-lösningar med Innowise

Relaterade fall

Kontakta oss

Boka ett samtal eller fyll i formuläret nedan så återkommer vi till dig när vi har behandlat din förfrågan.

Namn

Företag

E-post

Telefon

Meddelande

Skicka ett röstmeddelande till oss

Bifoga dokument

Ladda upp filen

Du kan bifoga 1 fil på upp till 2 MB. Giltiga filformat: pdf, jpg, jpeg, png.

Genom att klicka på Skicka samtycker du till att Innowise behandlar dina personuppgifter enligt våra Integritetspolicy för att förse dig med relevant information. Genom att lämna ditt telefonnummer samtycker du till att vi kan kontakta dig via röstsamtal, SMS och meddelandeappar. Samtals-, meddelande- och datataxor kan gälla.

Du kan också skicka oss din förfrågan

till contact@innowise.com

Vad händer härnäst?

När vi har tagit emot och behandlat din förfrågan återkommer vi till dig för att beskriva dina projektbehov och undertecknar en NDA för att säkerställa sekretess.

Efter att ha undersökt dina önskemål, behov och förväntningar kommer vårt team att ta fram ett projektförslag förslag med arbetsomfattning, teamstorlek, tids- och kostnadsberäkningar.

Vi ordnar ett möte med dig för att diskutera erbjudandet och fastställa detaljerna.

Slutligen undertecknar vi ett kontrakt och börjar arbeta med ditt projekt direkt.