美国领先的医疗中心和研究机构的专家团队正在利用英伟达驱动的联邦学习来研究这种技术和人工智能辅助标注在训练肿瘤分割的人工智能模型中的影响。
英伟达驱动的联邦学习旨在克服数据共享的挑战，并加速在医学成像中开发更准确和通用的人工智能模型。
联邦学习是一种前沿的方法，使多个组织能够在不损害数据隐私或安全的情况下合作开发人工智能模型。这在医疗保健领域至关重要，因为共享敏感的患者数据可能既复杂又耗时。
传统的数据共享方法由于隐私问题和数据管理限制而面临障碍。联邦学习通过允许在分散的数据上训练模型来绕过这些障碍，确保数据保持安全，同时仍然能够创建强大的人工智能模型。
该项目由影像信息与医学学会（SIIM）机器学习工具和研究小组委员会牵头，这是一群致力于推进医学成像中人工智能的专家。英伟达作为 SIIM 的成员，自 2019 年以来一直与该委员会在联邦学习项目上合作。
团队利用英伟达的 FLARE（NVFlare）开源联邦学习框架，以及通过英伟达学术资助计划获得的 NVIDIA RTX A5000 GPU。这种强大的组合使研究人员能够建立联邦学习工作站并加速训练过程。
该项目专注于肾细胞癌，一种肾癌类型，有六个医疗中心各自提供约 50 项成像研究的数据。联邦学习通过交换模型而不是敏感的患者数据来进行模型训练。
在第一阶段，训练数据是手动标注的。下一阶段将探索使用英伟达 MONAI 的人工智能辅助标注，以评估模型性能如何随着人工智能分割的训练数据而提高。MONAI Label 这一图像标注工具将有助于简化新数据集的创建。
项目完成后，团队计划与更广泛的医学界分享他们的方法、标注的数据集和预训练模型。这种开放的方法促进了进一步的研究和开发，加速了人工智能在医学成像中的应用，并最终改善了患者护理。
“由于隐私和数据管理的限制，在不同站点之间共享数据并将其汇总在一个地方变得越来越复杂——而且成像人工智能的发展速度比研究机构建立数据共享合同的速度要快，”威斯康星大学麦迪逊分校的放射学副教授约翰·加勒特说，“实际上，采用联邦学习在多个站点同时构建和测试模型是唯一的跟上的方法。这是一个不可或缺的工具。”
“联邦学习活动的最大困难通常是不同站点的数据不是非常统一。人们使用不同的成像设备，有不同的协议，并且标注数据的方式也不同，”加勒特补充说，“通过使用 MONAI 对联邦学习模型进行第二次训练，我们旨在发现这是否提高了总体标注的准确性。”
英伟达学术资助计划通过向研究人员提供计算资源来支持学术研究。目前，使用英伟达技术的认证机构的全职教师成员可以申请。
