Aprendizaje federado asíncrono para el análisis de imágenes OCT basado en la web

Área de la Ciencia:

• Análisis de Imagenología Médica
• Inteligencia Artificial en la Atención Médica
• Aprendizaje Automático Descentralizado

Sus antecedentes:

• Los modelos centralizados de aprendizaje automático enfrentan desafíos con el acceso a los datos y la colaboración de expertos en imagenología médica.
• Las preocupaciones sobre la privacidad y los silos de datos dificultan el desarrollo de modelos de IA robustos para la atención médica.
• Los enfoques descentralizados ofrecen una solución para el entrenamiento colaborativo de modelos al tiempo que preservan la privacidad de los datos.

Objetivo del estudio:

• Investigar el aprendizaje federado asíncrono (FL) para tareas de imagenología médica, centrándose en la privacidad de los datos y el entrenamiento colaborativo de modelos.
• Evaluar el rendimiento del algoritmo FedBuff en la clasificación de imágenes de retina de tomografía de coherencia óptica (OCT).
• Evaluar la viabilidad de un sistema basado en navegador para FL interactivo y colaborativo en aplicaciones médicas del mundo real.

Principales métodos:

• Exploración del algoritmo de aprendizaje federado asíncrono (FL), FedBuff, para la clasificación de imágenes OCT.
• Comparación del rendimiento de FedBuff frente a algoritmos síncronos como FedAvg y modelos centralizados.
• Desarrollo de un sistema de prueba de concepto basado en navegador para evaluar las capacidades de FL interactivo.

Principales resultados:

• FedBuff demostró una precisión aceptable en la clasificación binaria de OCT, pero mostró un rendimiento reducido en tareas complejas y multiclase.
• FedAvg logró resultados comparables al entrenamiento centralizado, validando su efectividad.
• El prototipo basado en navegador destacó el potencial de los sistemas FL accesibles, pero también expuso limitaciones técnicas en los estándares web para la computación y la comunicación.

Conclusiones:

• El FL asíncrono que utiliza FedBuff presenta un método viable y que preserva la privacidad para la clasificación de imágenes médicas, especialmente cuando la participación síncrona no es factible.
• La escalabilidad del FL asíncrono a tareas de clasificación complejas requiere una mayor investigación.
• Las implementaciones de FL basadas en la web pueden mejorar la accesibilidad a herramientas de IA colaborativas, pero las limitaciones tecnológicas actuales deben abordarse.