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

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.