由美國頂級醫療中心和研究機構的專家組成了一個專家委員會，該委員會正在使用 NVIDIA 支持的聯邦學習來評估聯邦學習和 AI 輔助注釋對訓練 AI 腫瘤分割模型的影響。

聯邦學習是一種技術，能夠在不降低數據安全性或隱私性的前提下，利用來自不同數據源的數據，開發更準確、更通用的 AI 模型。借助這項技術，多家企業可在敏感數據不離開各自服務器的情況下，協作開發 AI 模型。

威斯康星大學麥迪遜分校放射學副教授 John Garrett 表示：“由于隱私和數據管理方面的限制，在站點間共享數據并將數據匯總到一處正變得日益復雜，而影像 AI 的發展速度比研究機構簽訂數據共享合約的速度還要快。實際上，跟上這一趨勢的唯一辦法是采用聯邦學習，在多個站點同時構建和測試模型。聯邦學習已成為一個不可或缺的工具。”

Garrett 是美國醫學影像信息學會(SIIM)機器學習工具與研究小組委員會成員。該委員會由臨床醫生、研究人員和工程師組成，旨在推動 AI 在醫學影像中的發展與應用。NVIDIA 是 SIIM 成員，自 2019 年以來一直與該委員會就聯邦學習進行合作。

委員會主席 Khaled Younis 表示：“聯邦學習技術在符合 GDPR、HIPAA 等隱私法規要求的前提下，能夠增強數據的隱私性和安全性。此外，該技術還提高了模型的準確性和泛化程度。”

為了支持他們的最新項目，該研究小組(包括來自凱斯西儲大學、喬治城大學、梅奧診所、加州大學圣地亞哥分校、佛羅里達大學和范德堡大學的合作者)選擇使用 NVIDIA FLARE(NVFlare)。該開源框架包含強大的安全功能、先進的隱私保護技術和一個靈活的系統架構。

通過 NVIDIA 學術資助計劃，該委員會獲得了四個 NVIDIA GPU，這些 GPU 被分配給參與的研究機構，用于建立聯邦學習工作站。其他合作者也在云端和本地服務器中使用了 NVIDIA GPU，展現了 NVFLare 的靈活性。

破解聯邦學習的密碼

參與該項目的六個醫療中心分別提供了約 50 項醫學影像研究的數據，研究的重點是腎細胞癌(腎癌的一種)。范德堡大學計算機科學助理教授兼生物醫學數據表征與學習實驗室主任霍元愷(Yuankai Huo)表示：“聯邦學習的理念是在訓練過程中交換模型，而不是交換數據。”

在聯邦學習框架中，初始全局模型向客戶服務器發送模型參數。各個服務器使用這些參數來建立模型的本地版本，該版本在企業組織的專有數據上訓練而成。然后，各個本地模型的更新參數被發送回全局模型，并在全局模型中匯總，生成一個新的全局模型。如此循環往復，直到模型的預測結果不再隨著每一輪訓練而提高。

為了優化訓練速度、準確性以及將模型訓練到目標精度水平所需的影像研究數量，研究小組嘗試了各種模型架構和超參數。

使用 NVIDIA MONAI

進行 AI 輔助注釋

在項目第一階段，模型使用的訓練數據均由人工標記。在下一階段，研究小組將使用 NVIDIA MONAI 進行 AI 輔助注釋，然后評估在 AI 幫助下分割的訓練數據與傳統注釋方法相比，模型性能有何不同。

Garrett 表示：“在通常情況下，聯邦學習活動最大的難點在于不同站點的數據并不完全統一。大家使用的影像設備不同，協議不同，對數據的標記也不同。我們的目標是通過使用 MONAI 對聯邦學習模型進行二次訓練，了解這是否能夠提高整體注釋的準確性。”

研究小組正在使用 MONAI Label，該圖像標記工具可用于開發定制 AI 注釋應用，以便減少創建新數據集所需的時間和精力。專家將先對 AI 生成的分割進行驗證和完善，然后再將其用于模型訓練。

人工注釋和 AI 輔助注釋階段的數據均托管在 Flywheel 上。這個領先的醫學影像數據和 AI 平臺已將 NVIDIA MONAI 集成到其產品中。

為了推動未來的工作，研究小組計劃在項目完成后公布他們的方法、帶注釋的數據集和預訓練模型。

Garrett 表示：“我們不僅要探索這些工具，而且還要公布我們的研究成果，讓醫療領域的其他人也能夠學習和使用這些工具。”

申請 NVIDIA 學術資助

NVIDIA 學術資助計劃通過為研究人員提供世界級的計算入口和資源，來推動學術研究。現面向經認可的學術機構的全職教職員工開放申請，這些教職員工需使用 NVIDIA 技術來加速仿真與建模、生成式 AI 以及大語言模型等項目。

未來的申請周期將重點關注數據科學、圖形和視覺以及邊緣 AI(包括聯邦學習)領域的項目。