WebベースのOCT画像解析のための非同期連合学習

科学分野:

• 医療画像解析
• ヘルスケアにおける人工知能
• 分散型機械学習

背景:

• 中央集権型機械学習モデルは、医療画像におけるデータアクセスと専門家の協力に関する課題に直面している。
• プライバシー懸念とデータサイロは、ヘルスケアのための堅牢なAIモデルの開発を妨げている。
• 分散型アプローチは、データプライバシーを維持しながら共同モデルトレーニングのためのソリューションを提供する。

研究 の 目的:

• データプライバシーと共同モデルトレーニングに焦点を当てた、医療画像タスクのための非同期連合学習（FL）の調査。
• OCT網膜画像の分類におけるFedBuffアルゴリズムのパフォーマンス評価。
• 実際の医療アプリケーションにおけるインタラクティブな共同FLのためのブラウザベースシステムの実現可能性の評価。

主な方法:

• OCT画像分類のための非同期連合学習（FL）アルゴリズムFedBuffの探索。
• FedBuffのパフォーマンスと、FedAvgのような同期アルゴリズムおよび中央集権型モデルとの比較。
• インタラクティブな共同FL機能の評価のためのブラウザベースの概念実証システムの開発。

主要な成果:

• FedBuffは二値OCT分類において許容可能な精度を示したが、複雑な多クラスタスクではパフォーマンスが低下した。
• FedAvgは中央集権型トレーニングに匹敵する結果を達成し、その有効性を検証した。
• ブラウザベースのプロトタイプは、アクセシブルなFLシステムの可能性を強調したが、計算と通信におけるWeb標準の技術的限界も露呈した。

結論:

• FedBuffを用いた非同期FLは、特に同期参加が不可能な場合の医療画像分類のための、実行可能でプライバシーを保護する方法を提示する。
• 非同期FLの複雑な分類タスクへのスケーラビリティは、さらなる調査が必要である。
• WebベースのFL実装は、共同AIツールへのアクセシビリティを向上させることができるが、現在の技術的限界に対処する必要がある。